[发明专利]一种基于深度学习的电力工单诉求点识别方法

权利要求书

1.一种基于深度学习的电力工单诉求点识别方法，其特征在于包括以下步骤：

1)建立诉求点机器识别标签体系：通过组织业务专家根据经验进行诉求点手工梳理，并对诉求点标签进行精细化剖析与反复讨论，制定出投诉诉求点机器识别分类细则、服务申请诉求点机器识别分类细则和意见诉求点机器识别分类细则；

2)工单诉求高维矩阵向量化：对工单诉求的文本数值向量表征转化，同时对诉求向量进行多种算法加工处理；

3)诉求点机器识别建模：该过程实现诉求点机器识别分类建模，采用深度置信神经网络进行建模，设计深度置信神经网络模型结构与模型参数；

4)样本学习训练：根据神经网络和超参数设置对经过诉求高维矩阵向量处理的数据进行样本学习训练，固化输出诉求样本训练结果模型；

5)相似度模型识别分类：基于已学习训练固化的模型对诉求工单根据诉求点机器识别标签规则的进行逐一诉求点分类识别。

2.根据权利要求1所述的一种基于深度学习的电力工单诉求点识别方法，其特征在于：步骤2)中，所述的工单诉求高维矩阵向量化包括以下步骤：

201)诉求点结构化分类数组；

202)根据诉求点分类进行样本按类分组加载样本数据；

203)提取各诉求点样本单词集合；

204)按类分组诉求样本简单向量化；

205)诉求样本向量中心化处理；

206)协方差矩阵计算；

207)求解特征值矩阵；

208)求解标准化矩阵；

209)主成分矩阵转化；

210)矩阵相乘转化；

211)输出诉求转化高维向量。

3.根据权利要求1所述的一种基于深度学习的电力工单诉求点识别方法，其特征在于：步骤3)中，所述的深度置信神经网络，采用6层网络结构，输入层神经元3000个，隐藏层神经元数分别为500、200、500、100、100，输出目标为50，并选用tanh非线性函数作为隐含层的激活函数，以softmax函数为输出层激活函数，其中学习速率learningRate取0.1，动量系数rmsDecay0.85，正则参数L2取0.001。

4.根据权利要求1所述的一种基于深度学习的电力工单诉求点识别方法，其特征在于：步骤4)中，所述的样本学习训练及固化的实现包括以下步骤：

401)获取学习模型参数，包括正则参数、迭代参数、学习速率、神经网络层数；

402)通过步骤401)中的模型超参数初始化置信神经网络学习模型对象类；

403)加载诉求高维矩阵向量处理结果数据；

404)将实例化向量数据顺序随机排列；

405)判断是否小于学习迭代次数，若否，执行步骤9)，若是，执行下一步；

406)数据库同步记录学习进度；

407)对实例化向量数据进行分组学习；

408)分组学习完成，重新初始化向量索引；

409)完成学习任务，将训练固化模型回写数据库。

5.根据权利要求1所述的一种基于深度学习的电力工单诉求点识别方法，其特征在于：步骤5)中，所述的相似度模型识别分类包括以下步骤：

501)获取加载经学习训练固化的诉求样本模型；

502)基于训练固化模型实例化模型对象；

503)逐一诉求识别分类，判断是否小于待识别分类工单数量，若是，执行下一步，若否，结束；

504)待识别分类工单受理内容语句分词处理；

505)语句分词转向量处理；

506)基于学习模型获得该诉求工单分类输出向量；

507)遍历分类，输出向量获取其最大值对应的诉求细分标签，转步骤503)。