[发明专利]一种基于深度学习的银行工单派单方法及系统

权利要求书

1.一种基于深度学习的银行工单派单方法，其特征在于，包括：

根据接收的事件工单的概述文本生成所述事件工单对应的词向量矩阵；

将所述词向量矩阵输入到基于历史事件工单训练得到的神经网络模型，确定所述事件工单对应的工单解决系统；所述神经网络模型包括：一级卷积神经网络层及二级卷积神经网络层；

将所述事件工单派发到确定的所述工单解决系统。

2.根据权利要求1所述的基于深度学习的银行工单派单方法，其特征在于，所述根据接收的事件工单的概述文本生成所述事件工单对应的词向量矩阵，包括：

根据预先存储的词典，将接收的所述事件工单的概述文本进行分词；

根据预先存储的语料库，将所述事件工单的各词转化为对应的词向量；

根据各所述词向量生成所述事件工单对应的词向量矩阵。

3.根据权利要求2所述的基于深度学习的银行工单派单方法，其特征在于，还包括：

根据从各工单解决系统抽取的各历史事件工单的概述文本生成对应的词向量矩阵；所述历史事件工单包括：概述文本及第一分类标签；所述第一分类标签用于标识对应的工单解决系统；

将所述历史事件工单划分为训练工单及验证工单；

将各所述训练工单对应的词向量矩阵作为所述一级卷积神经网络层的训练数据进行训练，得到各所述训练工单的第二分类标签；所述第二分类标签用于标识所述二级卷积神经网络层；

将各所述第二分类标签对应的训练工单的词向量矩阵及第一分类标签作为各所述第二分类标签标识的二级卷积神经网络层的训练数据进行训练，获得各所述二级卷积神经网络层的权重参数矩阵并输出各所述训练工单的第一分类标签；所述词向量矩阵与所述权重参数矩阵的积用于标识所述词向量矩阵对应的训练工单的第一分类标签；

根据各所述验证工单的第一分类标签，将各所述验证工单对应的词向量矩阵输入对应的二级卷积神经网络层，获得各所述二级卷积神经网络层的最优权重参数矩阵，并为各所述二级卷积神经网络层加载对应的最优权重参数矩阵。

4.根据权利要求3所述的基于深度学习的银行工单派单方法，其特征在于，所述将各所述历史事件训练工单对应的词向量矩阵作为所述一级卷积神经网络层的训练数据进行训练，得到各所述训练工单历史事件工单的第二分类标签，包括：

基于Kmeans算法计算每两个所述训练工单对应的词向量矩阵之间的距离；

根据各所述词向量矩阵之间的距离，对各所述词向量矩阵对应的训练工单进行聚类；

将聚类后的各所述训练工单对应的词向量矩阵作为所述一级卷积神经网络层的训练数据进行训练，得到各所述训练工单的第二分类标签。

5.根据权利要求2所述的基于深度学习的银行工单派单方法，其特征在于，将接收的所述事件工单的概述文本进行分词时，采用正向最大匹配原则。

6.根据权利要求3所述的基于深度学习的银行工单派单方法，其特征在于，所述将所述词向量矩阵输入到基于历史事件工单训练得到的神经网络模型，确定所述事件工单对应的工单解决系统，包括：

将所述词向量矩阵输入所述一级卷积神经网络层，生成所述事件工单的第二分类标签；

将所述事件工单输入所述事件工单的第二分类标签对应的二级卷积神经网络层，确定所述事件工单对应的工单解决系统。

7.一种基于深度学习的银行工单派单系统，其特征在于，包括：

词向量矩阵生成单元，用于根据接收的事件工单的概述文本生成所述事件工单对应的词向量矩阵；

工单解决系统确定单元，用于将所述词向量矩阵输入到基于历史事件工单训练得到的神经网络模型，确定所述事件工单对应的工单解决系统；所述神经网络模型包括：一级卷积神经网络层及二级卷积神经网络层；

工单解决系统派发单元，用于将所述事件工单派发到确定的所述工单解决系统。