[发明专利]一种申诉数据挖掘方法、装置、电子设备及存储介质

说明书

本申请提供一种申诉数据挖掘方法、装置、电子设备及存储介质，该方法包括：获取针对业务系统的申诉数据；使用预先训练的分类网络模型对申诉数据的有效性进行预测，获得预测概率；判断预测概率是否小于预设阈值；若是，则向第一终端设备发送申诉数据，以使第一终端设备对应的客服人员对申诉数据进行标注，并接收标注的申诉标签。在上述的实现过程中，通过使用预先训练的分类网络模型对所述申诉数据的有效性进行预测，在预测概率小于预设阈值的情况下，才将分类网络模型难以确定的申诉数据发送给专业的客服人员进行标注处理，使得客服人员的主要精力专注于模型难以确定的申诉数据，而有效地提高了标注申诉数据的效率。

技术领域

本申请涉及机器学习和神经网络的技术领域，具体而言，涉及一种申诉数据挖掘方法、装置、电子设备及存储介质。

背景技术

目前，针对互联网上的各种业务系统的申诉数据或者投诉数据都是通过客服人员和业务代表来进行处理的，例如：客服人员根据个人经验、观察误差以及业务操作手册来判断用户提交的申诉数据是否有效，在客服人员确定该申诉数据有效后，才将该申诉数据转交给业务代表进行业务处理。此处的申诉数据可以是商场内的商品陈列摆放不当导致行人通行不便、商品展示灯光过于刺眼等等，业务代表可以与商家协商或者要求商家整改等等。由于业务系统收集得到的申诉数据包括有效的和无效的申诉数据，且申诉数据中会有大量重复相似或者相同的申诉图片，且客服人员的个人经验和观察误差能力的差异过大等等原因，导致客服人员对申诉数据进行人工标注处理申诉数据的效率很低。

发明内容

本申请实施例的目的在于提供一种申诉数据挖掘方法、装置、电子设备及存储介质，用于改善对申诉数据进行人工标注处理申诉数据的效率很低的问题。

本申请实施例提供了一种申诉数据挖掘方法，包括：获取针对业务系统的申诉数据；使用预先训练的分类网络模型对申诉数据的有效性进行预测，获得预测概率；判断预测概率是否小于预设阈值；若是，则向第一终端设备发送申诉数据，以使第一终端设备对应的客服人员对申诉数据进行标注，并接收标注的申诉标签，申诉标签是申诉数据是否有效的标签。在上述的实现过程中，通过使用预先训练的分类网络模型对申诉数据的有效性进行预测，获得预测概率，在预测概率小于预设阈值的情况下，才将分类网络模型难以确定的申诉数据发送给专业的客服人员进行标注处理，使得客服人员的主要精力专注于模型难以确定的申诉数据，而让有效申诉数据直接被业务代表进行业务处理，有效地提高了标注申诉数据的效率。

可选地，在本申请实施例中，分类网络模型为生成对抗网络；在使用预先训练的分类网络模型对申诉数据的有效性进行预测之前，还包括：获取多个申诉样本数据和每个申诉样本数据的申诉样本标签，申诉样本标签是申诉样本数据是否为有效的标签；以多个申诉样本数据为训练数据，以多个申诉样本数据的申诉样本标签为训练标签，对生成对抗网络进行训练。在上述的实现过程中，通过采用训练后的生成对抗网络作为分类网络模型，从而可以使用生成对抗网络中的鉴别器（discriminator）来预测申诉数据的有效性，有效地提高了标注申诉数据的效率。

可选地，在本申请实施例中，在判断预测概率是否小于预设阈值之后，还包括：若预测概率大于或等于预设阈值，则向第二终端设备发送申诉数据，以使第二终端设备对应的业务代表对申诉数据进行业务处理。在上述的实现过程中，通过向第二终端设备发送申诉数据，以使第二终端设备对应的业务代表对申诉数据进行业务处理，从而减少了业务代表遇到和处理无效申诉数据的概率，有效地提高申诉处理的效率。

可选地，在本申请实施例中，在接收标注的申诉标签之后，还包括：以申诉数据为训练数据，以申诉标签为训练标签，对分类网络模型进行训练。在上述的实现过程中，通过客服人员人工标注后的申诉数据和申诉标签来训练分类网络模型，从而使用训练后的分类网络模型来筛选出最具有代表性和多样性的图像数据，来提高变分自动编码器的泛化性能，从而提高申诉处理的效率。