[发明专利]一种针对政府服务热线领域的工单自动分类方法

权利要求书

1.一种针对政府服务热线领域的工单自动分类方法，其特征在于：具体分类方法包括以下步骤：

步骤(1)：数据清洗和预处理，对政府服务热线领域的工单反映的内容，进行数据清洗和预处理；

步骤(2)：计算历史全量工单热频词；使用TF-IDF计算热频词；

步骤(3)：训练词向量模型，使用Word2vec对全量工单进行训练，得到词向量模型；

步骤(4)：对热频词进行聚类，根据热频词和其相应的词向量进行聚类；

步骤(5)：干预聚类结果，工作人员对算法得到的聚类结果进行调整，得到用来给工单进行打标签和分类的近似词分类字典表；

步骤(6)：工单打标签和分类，利用所述步骤(5)得到的近似词分类字典表，根据工单反映的内容进行映射，给工单打标签和分类；

步骤(7)：模型增量训练，对增量数据，增量训练模型，并以增量的方式将新增的热频词添加到近似词分类字典表中。

2.根据权利要求1所述的针对政府服务热线领域的工单自动分类方法，其特征在于：所述步骤(1)中对政府服务热线领域的大量工单进行数据的清洗及预处理，清洗后的工单总量为N，该步主要为停用词过滤和工单反映内容的正则过滤，停用词库包含网上开源的中文停用词库，具体业务场景下建立的停用词库两部分；对于工单反映内容的正则过滤，通过正则，把特定形式的词或短句过滤。

3.根据权利要求1所述的针对政府服务热线领域的工单自动分类方法，其特征在于：所述步骤(2)是使用TF-IDF，对历史全量工单计算热频词，详细步骤如下：

步骤(2.1)：设定计算热频词的相关参数，其包括：热频词最大数、热频词的词性列表，以及使用TF-IDF计算热频词时的最小词频参数，其中热频词的最大数根据输入的工单量给出，并根据最后算法的聚类结果进行调整；根据业务场景设定热频词的词性，其包含：名词、专用词、团体机构词、名词性惯用语、动词、简称略词；

步骤(2.2)：使用TF-IDF计算热频词；利用结巴分词对每条工单进行分词，并仅保留所述步骤(2.1)中词性的词，过滤长度小于2的词；利用python的机器学习包，计算出每个词在每条工单中的tf-idf得分；将每个词在所有工单中的得分进行求和，并除以工单总量N，得到各个热频词的得分；对较大量的工单计算热频词时，根据工单的日期进行划分，分别计算热频词，将各个月的热频词进行合并得分求平均，最后根据所有热频词的得分，保留前个热频词。

4.根据权利要求1所述的针对政府服务热线领域的工单自动分类方法，其特征在于：所述步骤(3)使用历史工单训练word2vec模型，得到词向量模型，详细步骤如下：

步骤(3.1)：对所述步骤(1)清洗后的工单进行分词，作为word2vec模型的输入；

步骤(3.2)：训练所述word2vec模型，得到词向量模型；

步骤(3.3)：将所述步骤(2)中最后得到的个热频词，转化成集合后和所述步骤(3.2)中的word2vec词向量模型中包含的词集合取交集，得到的词既是热频词，同时也拥有词向量。

5.根据权利要求1所述的针对政府服务热线领域的工单自动分类方法，其特征在于：所述步骤(4)是对所述步骤(1)至步骤(3)得到的热频词，进行聚类，并利用手肘法找到最佳聚类簇个数；其详细步骤如下：

步骤(4.1)：设置聚类起止簇数min_↓clusters、max_↓clusters和步长step，利用对热频词进行聚类，记录每次聚类的SSE，通过计算词与所属簇中心的余弦相似度，找到每个簇最能代表这个簇的词，作为簇的名称；

步骤(4.2)：根据每次聚类的SSE，绘制出SSE关于聚类簇数的散点图，并利用手肘法，找到拐点；

步骤(4.3)：工作人员观察拐点附近的聚类结果，得到的一个相对理想的热频词聚类结果。