[发明专利]一种基于深度学习的电力疑似投诉工单识别方法

说明书

一种基于深度学习的电力疑似投诉工单识别方法，涉及电力客户服务的投诉识别方法。电力疑似投诉工单采用人工识别，效率低下、及时性差且浪费人力资源。本发明包括以下步骤：1）深度学习模型配置；2）投诉特征标签提炼；3）投诉样本格式化；4）模型学习训练；5）疑似投诉识别；6）疑似投诉分类。本技术方案通过深度学习技术投诉清单进行数据清理排序、投诉倾向词提炼、数据建模调优、样本迭代学习训练、机器学习预测等一系列工作，实现疑似投诉工单深度学习智能识别与分类，提升智能工作体验，提高服务质量管控工作效率。

技术领域

本发明涉及电力客户服务的投诉识别方法，尤其涉及一种基于深度学习的电力疑似投诉工单识别方法。

背景技术

从95598来电分析，大量客户虽未直接投诉，或者座席误判非投诉，但是通过咨询、意见和建议等表达对供电服务的不满，若处理不当或不及时，可能升级为客户投诉。如何减少用户的投诉量, 提高用户的满意度成为目前供电企业关注的焦点。对投诉的有效分析管理，可以很好地提高客户的满意度和忠诚度，持续对供电业务薄弱点的发现与改进，提升供电企业的服务品质，提升企业形象具有重要且深远的意义。

目前，服务提升离不开客户诉求分析，但历来依靠人工检阅数据、手工清理数据进行指标预测等方式已严重跟不上发展需求，效率低下、及时性差且浪费人力资源。全省年话务量高达八百万，中心采用传统抽样录音质检模式，由人工进行逐一重复听取录音，工作效率低下且无法准确、高效地提取客户的投诉点、不满意点等。仅单一疑似投诉质检常态任务年投入3456人小时，而这在未来全面客户诉求挖掘工作比重远不及1%。

此外，95598工单中存在一定数量的投诉错派工单，国网营销部不定期下派近三万条工单，要求6日内完成质检核查，时间紧，任务重，中心投入6-7人加班加点才能完成工作。质检工作量投入大、效率低下且漏检率较高，同时由于不同质检人员会出现理解上的偏差导致不同结果，质检工作不能得到有效开展。

发明内容

本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于深度学习的电力疑似投诉工单识别方法，以达到提高工作效率的目的。为此，本发明采取以下技术方案。

一种基于深度学习的电力疑似投诉工单识别方法，其特征在于包括以下步骤：

1）深度学习模型配置：用于对学习模板涉及的算法参数进行统一配置管理，实现模型参数分项状态监控与动态配置，涉及深度学习模型参数的信息包括模型编号、模型名称、功能业务描述、正则参数、随机数、矩阵行数、矩阵列数、迭代次数、学习速率、模型对象类、神经网络层数；

2）投诉特征标签提炼：用于对历史投诉样本工单受理内容经过Word2Vector类处理，结合百度词库进行对工单内容进行格式化分词，通过系统对历史投诉样本机器学习，自动提取投诉特有标签词；同时考虑个别词组之间需要重组，将这些标签词在原有样本工单内容进行系统标注，在人工干预下最后将个别标签词进行重组提炼，形成投诉特征向量标签；投诉特征向量标签包括：表计线接错、民事赔偿、超时限、施工人员服务违规、无故停电、野蛮施工、态度恶劣、故障处理不完善、非常不满、废弃设备清理、错发户号、频繁停电、频繁跳闸、电压质量长时间异常、业务报装超时限、严重影响、家电损坏、人员违规、人身伤亡、人员服务规范、态度差、未按停电计划停送电、供电频率长时间异常、低电压、环节处理问题、停送电信息公告准确性、设备位置、营业厅服务、农网改造、抢修质量、超时限中的多种或全部；

3）投诉样本格式化：用于对投诉样本进行过滤冗余词、分词格式化处理，在停用词库中增加需要过滤的词，包括工单中的问候语、套话信息，获取投诉结构化语言表达式并回写数据库；