[发明专利]一种基于深度学习的银行工单派单方法及系统

说明书

本发明提供了一种基于深度学习的银行工单派单方法及系统，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。本发明采用基于深度学习的智能分派工单的技术方案，具有提高派单准确率、工单处理效率，节省人力成本及事件工单解决时间的技术效果，有效地提升了客户满意度的有益效果。

技术领域

本发明涉及银行事件工单的派单技术领域，尤其涉及一种基于深度学习的银行工单派单方法及系统。

背景技术

随着银行业后端信息系统数目的日益庞大及功能复杂化，银行业后端信息系统在运行过程中频繁发生各类异常情况。作为IT连续性管理中的事件管理，目前各银行通过后端的事件工单管理系统处理各异常情况所产生的事件工单，而事件工单处理的时效性是整个事件管理中非常重要的一个因素。其中，处理事件工单的过程主要包括：工单录入、事件分析、工单上报、事件解决、结果反馈。将事件工单派发给正确的事件工单解决系统是事件分析的主要目的，也是事件工单处理时效性中非常关键的一个因素，目前普遍采用人工方式即由事件分析人根据事件的描述对事件工单进行分派。

目前人工派单的方式存在如下缺陷：

1、事件工单分派准确率低。通常事件工单是根据上报人员所选事件工单解决系统进行自动分派，由于目前银行IT化程度高，系统数量多，系统间关系复杂，上报人员往往无法正确选择事件工单对应的事件工单解决系统，因此导致分派准确率较低。一旦分派错误，将会影响事件工单的流转，降低解决事件工单的效率。

2、事件工单分派人力成本高。由于程序缺陷、客户操作等问题，会出现相似的事件工单，对于这类事件工单有经验的人员能参照历史处理方案进行处理。这种依赖于经验的模式需要投入大量有经验的人，同时还需要对没有经验的人员或者新人进行大量培训，造成较高的人力成本支出。

现有技术方案之一：建立工单知识库是现有的技术方案之一，商业银行积累了大量的历史事件工单数据，事件工单数据的维度包括：问题概述信息、问题原因分类、问题解决方案，构成了工单问题及处理方案的全景信息。工单知识库建立在这些信息基础之上，根据关键字检索以获取历史事件工单解决方案。建立工单知识库能够解决部分问题，但这种方式并没有考虑到中文语义，同样的关键字在不同的上下文中所表达的含义可能并不相同，所描述的业务场景也可能不同。所以用脱离语境的关键字或词语极有可能匹配到不正确的历史数据，无法准确地提供派单参考依据。另外使用关键字搜索出的结果本身没有什么规律，如果搜索到的结果数量较大，仍需要人工分析，无法显著提升工单派单准确率。

现有技术方案之二：使用机器学习来挖掘历史事件工单数据中的规律，实现事件工单的智能分类，比如使用主题模型实现事件工单主题特征的提取、分类与匹配。这种方式首先提取一系列事件工单特征值，如概述、类别、解决方案等，这些特征值构成特征向量；再设置特征向量权值；然后基于概率模型利用线性判别式分析算法进行训练，最终生成一个工单分类器。此方案虽然可以实现智能化派单，但是事件工单主题特征提取难度大，特征向量权值设置依靠人工经验，特征分析准确性较低，直接影响工单分类器的准确率。同时，当主题特征发生变化时，需重新进行特征分析，增加了运维成本。

因此针对银行事件工单的数据量大、数据具有多样性及复杂性、事件工单的特征难以提取及特征分析成本高等特点，如何提高银行事件工单的派单效率、准确性，并降低派单的成本是当前亟待解决的技术问题。

发明内容

为了解决现有技术中的缺陷，本发明提供了一种基于深度学习的银行工单派单方法及系统，通过智能分派工单的技术方案，具有提高派单准确率、工单处理效率，节省人力成本及事件工单解决时间的技术效果，有效地提升了客户满意度。

为了实现上述目的，本发明提供了一种基于深度学习的银行工单派单方法，包括：