[发明专利]一种基于深度学习的电力疑似投诉工单识别方法

摘要

一种基于深度学习的电力疑似投诉工单识别方法，涉及电力客户服务的投诉识别方法。电力疑似投诉工单采用人工识别，效率低下、及时性差且浪费人力资源。本发明包括以下步骤：1）深度学习模型配置；2）投诉特征标签提炼；3）投诉样本格式化；4）模型学习训练；5）疑似投诉识别；6）疑似投诉分类。本技术方案通过深度学习技术投诉清单进行数据清理排序、投诉倾向词提炼、数据建模调优、样本迭代学习训练、机器学习预测等一系列工作，实现疑似投诉工单深度学习智能识别与分类，提升智能工作体验，提高服务质量管控工作效率。

主权项

一种基于深度学习的电力疑似投诉工单识别方法，其特征在于包括以下步骤：1）深度学习模型配置：用于对学习模板涉及的算法参数进行统一配置管理，实现模型参数分项状态监控与动态配置，涉及深度学习模型参数的信息包括模型编号、模型名称、功能业务描述、正则参数、随机数、矩阵行数、矩阵列数、迭代次数、学习速率、模型对象类、神经网络层数；2）投诉特征标签提炼：用于对历史投诉样本工单受理内容经过Word2Vector类处理，结合百度词库进行对工单内容进行格式化分词，通过系统对历史投诉样本机器学习，自动提取投诉特有标签词；同时考虑个别词组之间需要重组，将这些标签词在原有样本工单内容进行系统标注，在人工干预下最后将个别标签词进行重组提炼，形成投诉特征向量标签；投诉特征向量标签包括：表计线接错、民事赔偿、超时限、施工人员服务违规、无故停电、野蛮施工、态度恶劣、故障处理不完善、非常不满、废弃设备清理、错发户号、频繁停电、频繁跳闸、电压质量长时间异常、业务报装超时限、严重影响、家电损坏、人员违规、人身伤亡、人员服务规范、态度差、未按停电计划停送电、供电频率长时间异常、低电压、环节处理问题、停送电信息公告准确性、设备位置、营业厅服务、农网改造、抢修质量、超时限中的多种或全部；3）投诉样本格式化：用于对投诉样本进行过滤冗余词、分词格式化处理，在停用词库中增加需要过滤的词，包括工单中的问候语、套话信息，获取投诉结构化语言表达式并回写数据库；4）模型学习训练：投诉文本数值转译表述，采用向量空间模型，将文本分为若干的特征项，计算出每个特征项在该文本中的权重，进而将整个文本用以特征项的权重为分量的向量来表示，将文本用特征向量的方式表示为数学模型，再基于投诉样本向量分组进行迭代学习；对疑似投诉工单识别的学习模型实现人工实时监督再学习或者非人工模式下自学习，并支持通过学习训练进度窗口展现后台对模型深度学习过程与学习输出；5）疑似投诉识别：通过文本相似度判断进行疑似投诉识别；文档分词采用空间向量表述，文本之间的语义相似度通过空间中的这两个向量间的几何关系来度量；基于上述已学习的模型成果对所有95598来电受理工单进行逐一判定；6）疑似投诉分类：基于上述已学习的模型成果对已判断的疑似投诉工单进行逐一分类；包括一级分类、二级分类、三级分类，一级分类包括：服务拆诉、营业投拆、停送电投拆、供电质量、电网建设。