[發(fā)明專利]工單文本內(nèi)容的分析方法、系統(tǒng)、設(shè)備以及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210408969.7
• 申請(qǐng)日: 2022-04-19
• 公開(kāi)（公告）號(hào): CN114676679A
• 公開(kāi)（公告）日: 2022-06-28
• 發(fā)明（設(shè)計(jì)）人: 張子墨;周航;宋志遠(yuǎn)
• 申請(qǐng)（專利權(quán)）人: 北京零點(diǎn)遠(yuǎn)景網(wǎng)絡(luò)科技有限公司;北京零點(diǎn)有數(shù)數(shù)據(jù)科技股份有限公司
• 主分類號(hào): G06F40/205
• 分類號(hào): G06F40/205;G06F40/284;G06F16/35;G06Q40/00
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本申請(qǐng)涉及一種工單文本內(nèi)容的分析方法、系統(tǒng)、設(shè)備以及存儲(chǔ)介質(zhì)，涉及文本信息處理的技術(shù)領(lǐng)域，其方法包括提取工單中的文本內(nèi)容，對(duì)所述文本內(nèi)容進(jìn)行第一預(yù)處理；基于訓(xùn)練好的稅務(wù)場(chǎng)景分類模型，對(duì)第一預(yù)處理后的文本內(nèi)容進(jìn)行稅務(wù)場(chǎng)景分類，得到稅務(wù)場(chǎng)景種類；基于訓(xùn)練好的稅務(wù)訴求分類模型，對(duì)第一預(yù)處理后的文本內(nèi)容進(jìn)行稅務(wù)訴求分類，得到稅務(wù)訴求種類；根據(jù)規(guī)則抽取方法，對(duì)所述工單進(jìn)行要素抽取，得到要素種類。本申請(qǐng)具有小計(jì)算量的分析工單信息的效果。

技術(shù)領(lǐng)域

本申請(qǐng)涉及文本信息處理的技術(shù)領(lǐng)域，尤其是涉及一種工單文本內(nèi)容的分析方法、系統(tǒng)、設(shè)備以及存儲(chǔ)介質(zhì)。

背景技術(shù)

在稅務(wù)辦事過(guò)程中，會(huì)產(chǎn)生大量工單，這些工單中包含業(yè)務(wù)內(nèi)容和答復(fù)內(nèi)容等信息；其中，業(yè)務(wù)內(nèi)容為用戶的各種提問(wèn)信息；答復(fù)內(nèi)容為呼叫中心座席的對(duì)用戶提問(wèn)的回答信息。

目前，通常采用人工分析或?qū)嶓w識(shí)別的方法對(duì)工單中的文本信息進(jìn)行分析，確定工單的稅務(wù)場(chǎng)景種類、稅務(wù)訴求種類、系統(tǒng)平臺(tái)、稅種和票種等。但是，如果采用人工分析的方法，不僅分析量大，而且人工成本高，如果采用實(shí)體識(shí)別的方法，計(jì)算量大且精準(zhǔn)度低。

發(fā)明內(nèi)容

為了小計(jì)算量的分析工單信息，本申請(qǐng)?zhí)峁┮环N工單文本內(nèi)容的分析方法、系統(tǒng)、設(shè)備以及存儲(chǔ)介質(zhì)。

第一方面，本申請(qǐng)?zhí)峁┮环N工單文本內(nèi)容的分析方法，采用如下的技術(shù)方案：

一種工單文本內(nèi)容的分析方法，包括：

提取工單中的文本內(nèi)容，對(duì)所述文本內(nèi)容進(jìn)行第一預(yù)處理；

基于訓(xùn)練好的稅務(wù)場(chǎng)景分類模型，對(duì)第一預(yù)處理后的文本內(nèi)容進(jìn)行稅務(wù)場(chǎng)景分類，得到稅務(wù)場(chǎng)景種類；

基于訓(xùn)練好的稅務(wù)訴求分類模型，對(duì)第一預(yù)處理后的文本內(nèi)容進(jìn)行稅務(wù)訴求分類，得到稅務(wù)訴求種類；

根據(jù)規(guī)則抽取方法，對(duì)所述工單進(jìn)行要素抽取，得到要素種類。

通過(guò)采用上述技術(shù)方案，利用稅務(wù)場(chǎng)景分類模型、稅務(wù)訴求分類模型和規(guī)則抽取方法，自動(dòng)對(duì)工單進(jìn)行分析處理，得到稅務(wù)場(chǎng)景種類、稅務(wù)訴求種類和要素種類(要素種類包括系統(tǒng)平臺(tái)、稅種和票種)，在節(jié)省計(jì)算量的同時(shí)，提升稅務(wù)場(chǎng)景種類、稅務(wù)訴求種類和要素種類的分類精度。

優(yōu)選的，所述稅務(wù)場(chǎng)景分類模型的訓(xùn)練方法，包括：

采集樣本，對(duì)所述樣本進(jìn)行第二預(yù)處理；

設(shè)置損失函數(shù)和損失權(quán)重，基于第二預(yù)處理后的樣本、損失函數(shù)和損失權(quán)重對(duì)所述稅務(wù)場(chǎng)景分類模型進(jìn)行訓(xùn)練和優(yōu)化。

通過(guò)采用上述技術(shù)方案，對(duì)樣本進(jìn)行第二預(yù)處理，使第二預(yù)處理后的樣本更好的適用于作為稅務(wù)場(chǎng)景分類模型的輸入；基于損失函數(shù)和損失權(quán)重的配合使用，提升稅務(wù)場(chǎng)景分類模型對(duì)稅務(wù)場(chǎng)景種類的分類精度。

優(yōu)選的，所述稅務(wù)訴求分類模型的訓(xùn)練方法，包括：

采集樣本，對(duì)所述樣本進(jìn)行第二預(yù)處理；

設(shè)置損失函數(shù)和損失權(quán)重，基于第二預(yù)處理后的樣本、損失函數(shù)和損失權(quán)重對(duì)所述稅務(wù)訴求分類模型進(jìn)行訓(xùn)練和優(yōu)化。

通過(guò)采用上述技術(shù)方案，對(duì)樣本進(jìn)行第二預(yù)處理，使第二預(yù)處理后的樣本更好的適用于作為稅務(wù)訴求分類模型的輸入；基于損失函數(shù)和損失權(quán)重的配合使用，提升稅務(wù)訴求分類模型對(duì)稅務(wù)訴求種類的分類精度。

優(yōu)選的，所述根據(jù)規(guī)則抽取方法，對(duì)所述工單進(jìn)行要素抽取，得到要素種類，包括：

根據(jù)工單中的已有字段，在工單中抽取關(guān)鍵詞；

若沒(méi)有抽取到關(guān)鍵詞，則根據(jù)所述文本內(nèi)容和構(gòu)建的要素碼表，獲取關(guān)鍵詞；

判斷關(guān)鍵詞是否為俗稱；