工单分类方法、装置、设备和存储介质与流程

1.本技术涉及金融领域或其他领域，尤其涉及工单分类方法、装置、设备和存储介质。


背景技术：

2.服务系统(例如，银行系统)中通常用工单来描述客户需求，一般工单中描述的问题都是重要紧急的问题，需要服务系统尽快给出解决方案。目前，服务系统在对工单处理之前，需要后台处理工单的客服人员根据工单描述内容，对工单进行分类，服务系统再根据工单的分类结果对工单进行处理。
3.但是，由于人工客服的经验有限，无法准确的对工单进行分类，导致工单在不同系统中流转，造成工单处理的时间过长，用户体验较差。而且在工单数量较多的情况下，通过人工客服进行工单分类的效率较低，也会导致工单的处理时间过长。


技术实现要素：

4.本技术实施例提供一种工单分类方法、装置、服务器及存储介质，针对由用户需求发起的工单，能够快速准确获取多维度标签类型，根据该多维的标签类型从多个方面处理工单，可以减少工单处理时间，提高客户满意度。
5.为实现上述技术目的，本技术实施例采用如下技术方案：
6.本技术实施例第一方面，提供一种工单分类方法，该方法包括：首先，获取当前工单。然后，将该当前工单进行向量化，得到样本数据。最后，再根据样本数据以及工单分类检测模型，确定当前工单对应的多维标签类型；该工单分类检测模型用于确定工单的多维标签类型。
7.基于本方案，通过将当前工单向量化，然后输入工单分类检测模型，能够确定当前工单的多维标签类型。本方案通过工单分类检测模型确定当前工单的多维标签类型，较现有技术中通过人工的方式分类更准确，效率更高。而且本方案为每个工单确定的标签类型为多维标签类型，而不是一个标签类型，该多维标签类型可以更好的反映工单描述的内容，根据该多维标签类型，服务系统可以更准确的从多个维度提供解决方案，能够避免工单在不同系统中流转，减少工单处理时间，可以提高客户满意度。
8.结合第一方面，在一种实现方式中，该方法还包括：获取多个历史工单以及每个历史工单对应的多维标签类型。将每个历史工单以及该历史工单对应的多维标签类型向量化，得到训练样本数据。基于训练样本数据，获取工单分类检测模型。
9.基于本方案，通过历史工单及该历史工单对应的多维标签类型进行向量化，并将向量化的数据作为训练样本数据，该训练样本数据用于训练工单分类检测模型。该历史工单可以为近期处理过的工单，历史工单对应的多维标签类型，来源于近期处理过的工单从多个维度分类的结果，因此基于该训练样本数据建立的工单分类检测模型较准确。本方案建立的工单分类检测模型用于预测工单的多维标签类型，使用该工单分类检测模型能够对
当前工单进行准确的分类，得到当前工单对应的多维标签类型。
10.结合第一方面，在一种可能的实现方式中，上述训练样本数据包括第一向量和第二向量，上述将每个历史工单以及该历史工单对应的多维标签类型向量化，得到训练样本数据，包括：对每个历史工单进行分词处理，并根据分词结果和工单词库，确定第一向量；基于历史工单对应的多维标签类型和标签词库，确定第二向量。
11.可选的，上述根据分词结果和工单词库，确定第一向量，可以包括：根据分词结果查询工单词库，在工单词库包括分词结果中的至少一个词语的情况下，将分词结果中的词语在工单词库中的对应位置置为第一数值，将其他位置置为第二数值，得到第一向量。该其他位置可以为工单词库中除分词结果以外的词语在工单词库中对应的位置。
12.可选的，上述根据历史工单对应的多维标签类型和标签词库，确定第二向量，可以包括：根据多维标签类型查询标签词库，在标签词库包括多维标签类型中的至少一个标签类型的情况下，将该标签类型在标签词库中的对应位置置为第三数值，将其他位置置为第四数值，得到第二向量。该其他位置可以为标签词库中除多维标签类型以外的标签类型在标签词库中对应的位置。
13.基于本方案，通过使用分词工具对历史工单进行分词处理，构建工单词库，并根据每个历史工单的分词结果查询工单词库，将分词结果中的词语在工单词库的对应位置置为第一数值，将其他位置置为第二数值，可以确定出该历史工单的工单向量，该工单向量可以以数字化的方式准确的描述工单内容。而且根据历史工单对应的多维标签类型查询标签词库，将该标签类型在标签词库中的对应位置置为第三数值，将其他位置置为第四数值，可以确定出该历史工单的标签向量，该标签向量可以以数字化的方式准确的描述历史工单对应的多维标签类型。将该工单向量和标签向量作为训练样本数据，训练的工单分类检测模型的准确度较高。
14.结合第一方面，在一种实现方式中，该方法还包括：工单分类检测模型采用全连接神经网络，工单分类检测模型包括输入层、全连接层、输出层和激活函数层。
15.基于本方案，工单分类检测模型采用包括输入层、全连接层、输出层和激活函数层的全连接神经网络，能够建立较为准确的工单分类检测模型。采用该工单分类检测模型预测工单的类型，相较于人工分类，能够更加准确的预测每个工单对应的多维标签类型，效率较高。而且通过该工单分类检测模型预测的工单类型为多个维度的标签类型，根据该多个维度的标签类型，服务系统可以更准确的从多个维度提供解决方案，能够避免工单在不同系统中流转，减少工单处理时间，可以提高客户满意度。
16.第二方面，本技术提供一种工单分类装置，包括收发模块和处理模块。收发模块，用于获取多个历史工单以及每个历史工单对应的多维标签类型；处理模块，用于将收发单元获取的每个历史工单以及该历史工单对应的多维标签类型向量化，得到训练样本数据；处理模块还用于基于训练样本数据，获取工单分类检测模型；工单分类检测模型用于确定工单的多维标签类型。
17.结合第二方面，在一种可能的实现方式中，上述收发模块，还用于获取当前工单。上述处理模块，还用于将当前工单向量化，得到样本数据；根据样本数据以及工单分类检测模型，确定当前工单对应的多维标签类型。
18.结合第二方面，在一种可能的实现方式中，处理模块，具体用于：对历史工单进行
分词处理，并根据分词结果和工单词库，确定第一向量；基于历史工单对应的多维标签类型和标签词库，确定第二向量；训练样本数据包括第一向量和第二向量。
19.结合第二方面，在一种可能的实现方式中，上述工单分类检测模型采用全连接神经网络，工单分类检测模型包括输入层、全连接层、输出层和激活函数层。
20.第三方面，提供一种计算机设备，包括：处理器；用于存储该处理器可执行指令的存储器；其中，该处理器被配置为执行指令，以实现如上述第一方面提供的工单分类方法。
21.第四方面，本技术提供一种计算机可读存储介质，包括指令。当指令在计算机上运行时，使得计算机执行如上述第一方面提供的方法。
22.第五方面，本技术提供一种计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行如上述第一方面提供的方法。
23.本技术中第二方面、第三方面、第四方面和第五方面的描述，可以参考第一方面的详细描述；并且，第二方面、第三方面、第四方面和第五方面描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。
附图说明
24.图1是本技术实施例提供的一种工单分类方法所涉及的实施环境示意图；
25.图2是本技术实施例提供的一种工单分类方法的流程示意图；
26.图3是本技术实施例提供的一种工单分类检测模型的结构示意图；
27.图4是本技术实施例提供的一种工单分类检测模型训练的结构示意图；
28.图5是本技术实施例提供的一种工单分类装置的结构示意图。
具体实施方式
29.以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
30.目前，在金融领域或其他领域的服务系统中，通常采用工单来描述重要紧急的问题，服务系统根据工单的不同标签类型，可以对工单进行相应处理。但是，传统的工单分类方法一般根据关键字对工单进行分类，如果关键字较多，没有侧重点，将导致分类的准确性较低，需要人工再次进行分类，严重影响工单的处理效率。而且人工分类时，分类的准确性与工单分类人员的技术能力和工作经验有关，可能会由于处理人员的经验限制等原因无法准确对工单进行分类，导致工单在不同系统中流转，造成工单处理的时间过长，用户体验较差。而且依靠人工分类的覆盖面较窄，可靠性低。
31.为了解决现有技术中的工单分类不准确，工单处理的时间过长等问题，本技术实施例提供一种工单分类方法，该方法通过训练用于确定工单的多维标签类型的工单分类检测模型，能够对当前工单从多个维度进行分类并输出分类结果，服务系统可以根据该分类结果，从多个方面处理工单，可以有效提高工单处理效率，提高客户满意度。
32.本技术实施例提供的工单分类方法可以应用于一种工单分类设备，该工单分类设备可以为手机、平板电脑、桌面型、膝上型、手持计算机、笔记本电脑等电子设备。
33.图1为本技术实施例提供的一种工单分类设备，如图1所示，该工单分类设备100包括至少一个处理器101，存储器102、收发器103以及通信总线104。
34.下面结合图1对该工单分类设备的各个构成部件进行具体的介绍：
35.处理器101是工单分类设备的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器101是一个中央处理器(central processing unit，cpu)，也可以是特定集成电路(application specific integrated circuit，asic)，或者是被配置成实施本技术实施例的一个或多个集成电路，例如：一个或多个微处理器(digital signal processor，dsp)，或，一个或者多个现场可编程门阵列(field programmable gate array，fpga)。
36.其中，处理器101可以通过运行或执行存储在存储器102内的软件程序，以及调用存储在存储器102内的数据，执行工单分类设备的各种功能。
37.在具体的实现中，作为一种实施例，处理器101可以包括一个或多个cpu，例如图1中所示的cpu0和cpu1。
38.在具体实现中，作为一种实施例，工单分类设备可以包括多个处理器，例如图1中所示的处理器101和处理器105。这些处理器中的每一个可以是一个单核处理器(single
‑
cpu)，也可以是一个多核处理器(multi
‑
cpu)。这里的处理器可以指一个或多个检测设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
39.存储器102可以是只读存储器(read
‑
only memory，rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，ram)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read
‑
only memory，eeprom)、只读光盘(compact disc read
‑
only memory，cd
‑
rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器102可以是独立存在，通过通信总线104与处理器101相连接。存储器102也可以和处理器101集成在一起。
40.其中，存储器102用于存储执行本技术方案的软件程序，并由处理器101来控制执行。
41.收发器103，用于与其他通信装置之间进行通信。当然，收发器103还可以用于与通信网络通信，如以太网，无线接入网(radio access network，ran)，无线局域网(wireless local area networks，wlan)等。收发器103可以包括接收单元实现接收功能，以及发送单元实现发送功能。
42.通信总线104，可以是工业标准体系结构(industry standard architecture，isa)总线、外部检测设备互连(peripheral component，pci)总线或扩展工业标准体系结构(extended industry standard architecture，eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图1中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
43.图1中示出的工单分类设备的结构并不构成对工单分类设备的限定，实际应用中，工单分类设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布
置。
44.结合图1，如图2所示，为本技术实施例提供的一种工单分类方法，该方法包括以下步骤：
45.s201、获取多个历史工单以及每个历史工单对应的多维标签类型。
46.该历史工单可以为处理过的工单，历史工单可以通过一段文字描述工单内容。该历史工单对应的多维标签类型可以为对该历史工单以不同的维度反复分组后得到的多个标签类型。本技术实施例对于历史工单的具体分类维度并不进行限定，下述实施例以多维标签类型为例，对历史工单按照系统、问题特征、原因反复分组后得到的多个标签类型为例进行说明。
47.例如，对多个历史工单根据错误原因分组时，可以为工单添加“原因标签”，该“原因标签”可以包括但不限于操作失误、操作不当、变更导致、流程咨询等多个标签类型。
48.再例如，对多个历史工单根据系统分组时，可以为工单添加“系统标签”，该“系统标签”可以包括但不限于债券系统、信用卡系统、收单系统、核心存款等多个标签类型。
49.可选的，上述步骤s201获取的多个历史工单以及每个历史工单对应的多维标签类型可以为表格形式，也可以以其他形式，本技术实施例对此并不限定。下述实施例以步骤s201获取的多个历史工单以及每个历史工单对应的多维标签类型为表格形式为例进行说明。
50.例如，以历史工单为最近一年已经处理过的工单为例，上述步骤s201可以获取如表1所示的工单描述标签表，该工单描述标签表包括最近一年已经处理过的工单，以及每个工单对应的多维标签类型，每个工单对应的多维标签类型包括3个标签类型。表1中每个工单对应的3个标签类型可以是按照处理系统对最近一年已经处理过的工单进行分组，并为每个工单添加“系统标签”。再对分组内的标签类型，按照错误原因、问题特征等类型进行分组，每次分组为工单添加一个标签类型，可以得到每个历史工单对应的3个标签类型。
51.表1
52.历史工单系统问题特征错误原因xxxxxxxxxx债券系统注销关联操作失误xxxxxxxxxx信用卡系统骑士卡变更导致xxxxxxxxxx收单系统银联查询操作不当
……………………
xxxxxxxxxx核心存款销户失败流程咨询
53.s202、将每个历史工单以及该历史工单对应的多维标签类型向量化，得到训练样本数据。
54.示例性的，上述步骤s202可以包括以下步骤a至步骤b。
55.步骤a、对历史工单进行分词处理，并根据分词结果和工单词库，确定第一向量。
56.可选的，可以先将历史工单中的数字、标点替换为空格，然后采用分词工具对历史工单进行分词处理，上述工单词库包括对历史工单进行分词后的所有分词结果，而且工单词库内的多个词语不重复，每个词语只记录一次。
57.例如，以历史工单为“客户刷信用卡取钱失败”为例，采用分词工具对该历史工单进行分词处理后可以得到5个词语，分别为“客户”、“刷”、“信用卡”、“取钱”、“失败”。
58.示例性的，第一向量可以称为工单向量，该工单向量的长度为工单词库的长度。该工单词库的长度可以为工单词库包括的词语的数量。工单词库中的每个词语在该工单词库中对应一个位置，工单词库中的不同词语在该工单词库中的对应位置是不同的。
59.可选的，上述根据分词结果和工单词库，确定第一向量，可以包括：根据分词结果查询工单词库，在工单词库包括分词结果中的至少一个词语的情况下，将分词结果中的词语在工单词库中的对应位置置为第一数值，将其他位置置为第二数值，得到第一向量。该其他位置可以为工单词库中除分词结果以外的词语在工单词库中对应的位置。第一数值和第二数值为不同的数值，本技术实施例对于第一数值和第二数值的具体取值并不限定，下述实施例以第一数值为1，第二数值为0为例进行示例性说明。
60.例如，以工单词库包括1000个词语，“客户”在工单词库中对应的位置为3，“刷”在工单词库中对应的位置为5，“信用卡”在工单词库中对应的位置为1，“取钱”在工单词库中对应的位置为6，“失败”在工单词库中对应的位置为7为例。根据历史工单“客户刷信用卡取钱失败”的分词结果和工单词库，可以确定分词结果中的词语在工单词库中的对应位置为1、3、5、6、7，因此，可以将工单向量中1、3、5、6、7的位置置为1，将除1、3、5、6、7以外的其他位置置为0，得到该历史工单对应的工单向量为[10101110000000
……
]，该历史工单对应的工单向量的长度为1000。
[0061]
步骤b、基于历史工单对应的多维标签类型和标签词库，确定第二向量。
[0062]
可选的，上述标签词库包括多个标签类型，该多个标签类型可以为多个历史工单对应的标签类型。该标签词库内的标签类型不重复，每个标签类型只记录一次。
[0063]
例如，以历史工单为“客户刷信用卡取钱失败”为例，该历史工单对应的多维标签类型包括“信用卡系统”、“银联查询”、“操作失误”。标签词库可以包括“信用卡系统”、“银联查询”、“操作失误”等多个标签类型。
[0064]
示例性的，第二向量可以称为标签向量，该标签向量的长度为标签词库的长度。该标签词库的长度可以为标签词库包括的标签类型数量，标签词库中的每个标签类型在该标签词库中对应一个位置，标签词库中的不同标签类型在该标签词库中的对应位置是不同的。
[0065]
可选的，上述根据历史工单对应的多维标签类型和标签词库，确定第二向量，可以包括：根据多维标签类型查询标签词库，在标签词库包括多维标签类型中的至少一个标签类型的情况下，将该标签类型在标签词库中的对应位置置为第三数值，将其他位置置为第四数值，得到第二向量。该其他位置可以为标签词库中除多维标签类型以外的标签类型在标签词库中对应的位置。第三数值和第四数值为不同的数值，本技术实施例对于第三数值和第四数值的具体取值并不限定，下述实施例以第三数值为1，第四数值为0为例进行示例性说明。
[0066]
例如，以标签词库包括100个标签类型，“信用卡系统”在标签词库对应的位置为2，“银联查询”在标签词库对应的位置为7，“操作失误”在标签词库对应的位置为11为例，根据历史工单“客户刷信用卡取钱失败”对应的多维标签类型和工单词库，可以确定多维标签类型在标签词库中的对应位置为2、7、11，因此，可以将标签向量中2、7、11的位置置为1，将除2、7、11以外的其他位置置为0，得到该历史工单对应的标签向量为[010000100010
……
]，该历史工单对应的标签向量的长度为100。
[0067]
可以理解的，通过将历史工单进行向量化得到工单向量，将历史工单对应的多维标签类型进行向量化得到标签向量，该工单向量和标签向量可以组成训练样本数据，然后通过步骤s203对工单分类检测模型进行训练。
[0068]
s203、基于训练样本数据，获取工单分类检测模型。
[0069]
该工单分类检测模型可以采用全连接神经网络，工单分类检测模型可以包括输入层、全连接层、输出层和激活函数层。
[0070]
如图3所示，该工单分类检测模型采用的全连接神经网络模型的输入层可以为一维数组，该一维数组的长度与工单词库的长度相同。全连接层的矩阵可以为工单词库的长度*工单字数，该工单字数可以为近一年大部分历史工单的字数。例如，以工单词库的长度为1000，近一年的历史工单中80％的历史工单的字数为200字为例，全连接层矩阵大小为1000*200。输出层可以为工单字数*输出维度。激活函数层可以为修正线性单元(rectified linear unit,relu)。
[0071]
如图4所示，在训练该工单分类检测模型时，将训练样本数据中的工单向量输入图3所示的工单分类检测模型，经该工单分类检测模型计算后得到估计标签向量，该估计标签向量为工单分类检测模型估计的当前输入工单的多维度标签向量化结果。在估计标签向量与历史工单对应的标签向量有差异的情况下，通过预先定义的损失函数和优化函数，调整工单分类检测模型。直至损失值达到最小(或损失值小于预设值)时，将工单分类检测模型保存下来，该损失值最小时对应的工单分类检测模型用于预测工单向量的多维标签类型。本技术对采用何种损失函数和优化函数来调整工单分类检测模型并不限定。
[0072]
可选的，在训练完成工单分类检测模型后，还可以对训练好的工单分类检测模型进行模型测试，以确保模型的准确度较高。例如，可以将近一年的历史工单中80％的历史工单作为训练样本数据，20％的历史工单作为测试样本数据，该测试样本数据包括工单向量和标签向量。根据上述步骤s201
‑
s203训练完工单分类检测模型后，可以用测试样本数据对工单分类检测模型进行测试，得到预测的多维标签类型，并根据预设的多维标签类型与实际值进行比较，可以确定工单分类检测模型的准确度。
[0073]
可选的，训练工单分类检测模型时，可以将历史工单中包括同一维度或同一标签类型的工单集中进行训练，可以提高训练效率。例如，结合表1，将包括“债券系统”、“信用卡系统”等系统维度的工单，集中进行训练，可以提高效率。
[0074]
s204、获取当前工单。
[0075]
当前工单可以通过一段文字描述工单内容。
[0076]
步骤s204中可以通过互联网获取工单，例如，服务系统可以接收来自手机或电脑客户端的工单。本技术对于采用何种方式来获取工单并不限定。
[0077]
s205、将当前工单向量化，得到样本数据。
[0078]
上述步骤s205可以包括：先将当前工单中的数字，标点替换为空格，然后采用分词工具对当前工单进行分词，根据当前工单的分词结果在工单词库中是否出现，确定当前工单对应的工单向量，并将该当前工单对应的工单向量确定为样本数据。
[0079]
可以理解的，根据当前工单的分词结果在工单词库中是否出现，确定当前工单对应的工单向量的具体实现方式可以参考前述步骤s202中的相关描述，在此不再赘述。
[0080]
s206、根据样本数据以及工单分类检测模型，确定当前工单对应的多维标签类型。
[0081]
将样本数据输入工单分类检测模型，可以得到预测的标签向量，根据该预测的标签向量中第三数值的位置，在标签词库中确定该第三数值的位置对应的标签类型。预测的标签向量的长度为标签词库的长度，该预测的标签向量可以包括多个第三数值，每个第三数值对应一个标签类型。
[0082]
例如，以当前工单对应的工单向量为[01111101110010000
……
]为例，将该当前工单对应的工单向量输入工单分类检测模型，可以得到标签向量[010010001000
……
]。该标签向量[010010001000
……
]中包括三个第三数值1，这三个第三数值1在该标签向量中的位置分为2、5和9。在标签词库中位置为2对应的标签类型为“信用卡系统”，位置为5对应的标签类型为“骑士卡”，位置为9对应的标签类型为“操作不当”，因此可以确定当前工单对应的多维标签类型包括“信用卡系统”、“骑士卡”、“操作不当”共3个标签类型。
[0083]
可选的，在确定当前工单对应的多维标签类型后，服务系统可以根据不同的标签类型，从多个维度更准确的提供解决方案，避免工单在不同系统中流转，减少工单处理时间，可以提高客户满意度。
[0084]
示例性的，服务系统根据工单分类检测模型输出的多维标签类型，可以自动推送相关消息、自动推送历史相关问题解决办法，或者转派到人工客服，由人工客服为客户提供帮助，可以快速有效的解决工单，能够提升客户满意度。
[0085]
例如，服务系统可以根据“信用卡系统”、“骑士卡”，自动推送相关问题之前的解决办法，可以根据“操作不当”将工单自动派送到人工客服，由人工客服引导客户正确操作。
[0086]
可以理解的，本技术实施例提供的工单分类方法可以预先采用上述步骤s201
‑
s203建立工单分类检测模型，再根据建立好的工单分类检测模型采用步骤s204
‑
s206预测其他工单的多维标签类型。也可以在每次确定当前工单对应的多维标签类型前，采用上述步骤s201
‑
s203建立工单分类检测模型，再根据建立好的工单分类检测模型采用步骤s204
‑
s206预测当前工单的多维标签类型。
[0087]
本技术实施例提供一种工单分类方法，通过对历史工单和历史工单对应的多维标签类型进行向量化，获得训练样本数据，并根据训练样本数据训练工单分类检测模型。从而根据训练好的工单分类检测模型可以较为快速准确的预测当前工单对应的多维标签类型。本实施例通过工单分类检测模型确定当前工单的多维标签类型，较现有技术中通过人工的方式分类更准确，效率更高。而且本技术为每个工单确定的标签类型为多维标签类型，而不是一个标签类型，该多维标签类型可以更好的反映工单描述的内容，而且根据该多维标签类型，服务系统可以更准确的从多个维度提供解决方案，能够避免工单在不同系统中流转，减少工单处理时间，可以提高客户满意度。
[0088]
可以理解的是，上述方法可以由工单分类装置实现。工单分类装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本技术实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术实施例的范围。
[0089]
本技术实施例可以根据上述方法示例对上述工单分类装置等进行功能模块的划
分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本技术实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0090]
如图5所示，本技术实施例提供一种工单分类装置500。该工单分类装置500可以为上述工单分类设备。该工单分类装置500可以包括收发模块501和处理模块502。可选的，工单分类装置500还可以包括存储模块503，该存储模块503可以用于存储上述历史工单、历史工单对应的多维标签类型、工单分类检测模型、第一向量、第二向量等数据。存储模块503还可以存储用于实现图2所示的工单分类方法的计算机程序代码。
[0091]
收发模块501，用于获取当前工单。
[0092]
处理模块502，用于将当前工单向量化，得到样本数据。
[0093]
处理模块502，还用于根据样本数据以及工单分类检测模型，确定当前工单对应的多维标签类型。
[0094]
可选的，工单分类检测模型采用全连接神经网络，所述工单分类检测模型包括输入层、全连接层、输出层和激活函数层。
[0095]
收发模块501，还用于获取多个历史工单以及每个历史工单对应的多维标签类型。
[0096]
处理模块502，还用于将每个历史工单以及该历史工单对应的多维标签类型向量化，得到训练样本数据。
[0097]
可选的，训练样本数据包括第一向量和第二向量。处理模块503，具体用于对历史工单进行分词处理，并根据分词结果和工单词库，确定第一向量；基于历史工单对应的多维标签类型和标签词库，确定第二向量。
[0098]
处理模块502，还用于基于训练样本数据，获取工单分类检测模型。
[0099]
应理解，在本技术的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0100]
在实际实现时，收发模块501可以为图1所示收发器103，存储模块503可以为图1所示存储器102，处理模块502可以由图1所示的处理器101调用存储器102中的程序代码来实现。其具体的执行过程可参考图2所示的工单分类方法，这里不再赘述。
[0101]
本技术另一实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当计算机指令在工单分类设备上运行时，使得工单分类设备执行上述方法实施例所示的方法流程中的各个步骤。例如，该计算机可读存储介质可以是只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、只读光盘(compact disc read
‑
only memory，cd
‑
rom)、磁带、软盘和光数据存储设备等。
[0102]
在本技术另一实施例中，还提供一种计算机程序产品，该计算机程序产品包括指令，当指令在工单分类设备上运行时，使得工单分类设备执行上述方法实施例所示的方法流程中服务器执行的各个步骤。
[0103]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员
可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0104]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、设备和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0105]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0106]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0107]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0108]
以上，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准处理模块。