[发明专利]一种智能质检的工单评分方法

说明书

一种智能质检的工单评分方法，属于数据处理技术领域，用于解决客服工单评分不能进行全量准确的质检，存在较大误差的问题，工单评分方法包括：获取文本信息最终输入向量FTemb、人工特征输出向量FEmb、HGAT输出向量FGemb；将文本信息最终输入向量FTemb、人工特征输出向量FEmb、HGAT输出向量FGemb分别进行concat操作得到第一分类向量和第二分类向量的Logit向量；采用损失函数分别对第一分类向量和第二分类向量进行计算；采用交叉熵损失函数对分别对Logit向量进行计算得到对应的交叉熵损失值和加权的最终损失值；对工单的优劣程度进行预测，根据其概率值判断是否为问题工单。本发明的工单评分方法可确定工单的优劣程度，保障客服服务工单质量，同时提升识别准确率。

技术领域

本发明属于数据处理技术领域，具体涉及一种智能质检的工单评分方法。

背景技术

在智能客服领域中，自动化的对答是目前众多工业界的研究对象，但是对人工客服服务的工单进行质量管理也是很重要的事情；对人工服务工单进行质检评分不仅能够保障人工服务的质量而且可以作为日常考核的依据。目前对人工服务工单进行评分的最常用办法是“用户满意度”即在服务结束时让用户对服务情况进行评分；但是这种方法不能进行全量准确的质检，存在着较大的误差，因此有必要探索一种新的客服工单评分方式。

目前质检中的工单评分模型常是传统的基于机器学习或者深度学习的二分类模型，类似于CTR相关模型；比如LR模型、LR+GBDT、FM/FFM、WDL、DeepFM等诸多机器学习或深度学习模型。如LR模型具有结构简单、易于并行化实现、可解释性强等优点而被广泛使用，但是它是线性模型本，不能处理特征和目标之间的非线性关系，因此模型效果依赖于特征工程。另外，基于树的模型(GBDT)能够自动学习特征交叉组合，但是却不适合学习高度稀疏数据的特征组合，一方面高度稀疏数据的特征维度一般很高，这时基于树的模型学习效率很低，甚至不可行；另一方面树模型也不能学习到训练数据中很少或没有出现的特征组合。FM通过特征对之间的隐变量内积来提取特征组合，能学习到二阶的特征组合，但是对于复杂的特征组合无法学习；DeepFM则是将FM应用在神经网络中，模型可以以端对端的方式来学习不同阶的组合特征关系，并且不需要其他特征工程；DCN在学习特定阶数组合特征的时候效率非常高，而且同样不需要特征工程，引入的额外的复杂度也是微乎其微的。

而且，目前的工单评分模型中如LR、GBDT、FM等机器学习模型需要构建人工特征，并且对于高阶的特征组合的学习有所欠缺，而DeepFM、DCN等深度学习模型考虑了不同阶的特征关系，不需要引入特征工程；但是在工单评分实践中没有考虑到对会话级的文本信息的抽取与应用；同时没有考虑到特征间、样本-特征、样本-样本等诸多额外的信息。

发明内容

为解决上述问题，本发明提供一种智能质检的工单评分方法。

本发明采用如下技术方案：

一种智能质检的工单评分方法，所述方法包括：

步骤一：获取文本信息最终输入向量FTemb、人工特征输出向量FEmb、HGAT输出向量FGemb，其中：

所述文本信息最终输入向量FTemb的获取方法为：获取工单会话，然后通过多轮文本编码层将工单会话进行编码，将工单会话中的词向量组转换为句向量，然后将多个句向量交互后进行编码得到文本信息最终输入向量FTemb；

所述人工特征输出向量FEmb的获取方法为：获取人工提取特征，然后通过人工特征编码层对输入的人工提取特征进行编码运算，得到人工特征输出向量FEmb；

所述HGAT输出向量FGemb的获取方法为：对人工提取特征进行异构图构建，然后使用HGAT异构图编码器对异构图进行编码，得到HGAT输出向量FGemb；