工单优先级确认方法、装置、电子设备、介质及产品与流程

1.本发明涉及数据处理技术领域，尤其涉及工单优先级确认方法、装置、电子设备、介质及产品。


背景技术：

2.随着人工智能的不断应用，人们对客户投诉工单的智能化分析和处理的需求与日俱增，智能化分析和处理投诉工单数据，能极大的减小客服人员的工作量，提高工作效率。
3.目前，主流的客服工单处理产品中，工单处理的优先级常常是客服人员手动进行设置的，客服人员根据自身的行业经验和个人能力，以及参考提交工单的客户级别、工单类型、工单是否被催办等属性信息来进行优先级的设置，这种优先级确认的方式受限于客服人员的行业经验及个人能力，容易出现优先级确认不准确，导致重要工单反馈的问题被推迟解决，客户体验差等问题。


技术实现要素：

4.本发明提供一种工单优先级确认方法、装置、电子设备、介质及产品，用以解决现有技术中由于工单优先级确认不够准确导致客户体验差的技术问题，实现提高客服人员工作效率和提升客户体验的目的。
5.第一方面，一种工单优先级确认方法，包括：
6.获取待处理文本数据；其中，所述待处理文本数据是指优先级待确定的工单文本数据；
7.对所述待处理文本数据进行向量化处理，获取所述待处理文本数据的特征向量；
8.将所述特征向量输入预先训练好的优先级确认模型中，获取所述特征向量在多个优先级类别上的概率分布；
9.根据所述概率分布确认出所述工单文本数据的优先级；
10.其中，所述优先级确认模型是根据样本文本数据和与所述样本文本数据对应的优先级标签数据进行训练得到的；其中，所述样本文本数据为优先级已确定的工单文本数据。
11.进一步，根据本发明提供的工单优先级确认方法，所述确认出所述工单文本数据的优先级之后，包括：
12.根据所述工单文本数据的优先级自动生成服务级别协议。
13.进一步，根据本发明提供的工单优先级确认方法，在所述获取待处理文本数据之前，包括：
14.获取样本文本数据和样本文本数据的优先级标签数据；
15.对所述样本文本数据进行预处理和词嵌入处理，得到所述样本文本数据的特征向量；
16.基于所述样本文本数据的特征向量、样本文本数据的优先级标签数据训练优先级确认模型。
17.进一步，根据本发明提供的工单优先级确认方法，所述基于所述样本文本数据的特征向量、样本文本数据的优先级标签数据训练优先级确认模型，包括：
18.步骤s1：利用待训练的优先级确认模型对所述样本文本数据的特征向量进行优先级识别，获取所述样本文本数据的识别结果；
19.步骤s2：根据所述识别结果与所述样本文本数据的优先级标签数据，判断是否满足模型训练终止条件，当不满足模型训练终止条件时，调整所述待训练模型的参数，利用经过调整的优先级确认模型重新执行步骤s1；当满足模型训练终止条件时，得到经过训练的优先级确认模型。
20.进一步，根据本发明提供的工单优先级确认方法，所述对所述样本文本数据进行预处理，包括：
21.对所述样本文本数据进行数据形状变换处理，得到所述样本文本数据的矩阵。
22.进一步，根据本发明提供的工单优先级确认方法，在所述对所述待处理文本数据进行向量化处理之前，包括：
23.对所述待处理文本数据进行繁简转换、文本纠错和语音转文本处理。
24.第二方面，本发明还提供一种工单优先级确认装置，包括：
25.获取模块，用于获取待处理文本数据；其中，所述待处理文本数据是优先级待确定的工单文本数据；
26.处理模块，用于对所述待处理文本数据进行向量化处理，获取所述待处理文本数据的特征向量；
27.输入模块，用于将所述特征向量输入预先训练好的优先级确认模型中，获取所述特征向量在多个优先级类别上的概率分布；
28.确认模块，用于根据所述概率分布确认出所述工单文本数据的优先级；
29.其中，所述优先级确认模型是根据样本文本数据和样本文本数据的优先级标签数据进行训练得到的；其中，所述样本文本数据为优先级已确定的工单文本数据。
30.第三方面，本发明还提供一种电子设备，包括：
31.处理器、存储器和总线，其中，
32.所述处理器和所述存储器通过所述总线完成相互间的通信；
33.所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上任一项中所述工单优先级确认方法的步骤。
34.第四方面，本发明还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如上所述工单优先级确认方法的步骤。
35.第五方面，本发明还提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上任一项所述工单优先级确认方法的步骤。
36.本发明提供的一种工单优先级确认方法、装置、电子设备、介质及产品，所述方法：获取待处理文本数据；对所述待处理文本数据进行向量化处理，获取所述待处理文本数据的特征向量；将所述特征向量输入预先训练好的优先级确认模型中，获取所述特征向量在多个优先级类别上的概率分布；根据所述概率分布确认出所述工单文本数据的优先级；其中，所述优先级确认模型是根据样本文本数据和与所述样本文本数据对应的优先级标签数
据进行训练得到的；其中，所述样本文本数据为优先级已确定的工单文本数据。本发明通过预先训练好的优先级确认模型能够自动获取待处理工单的优先级，能够提高客服人员的工作效率，提升客户体验。
附图说明
37.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
38.图1是本发明提供的一种工单优先级确认方法的流程示意图；
39.图2是本发明提供的一种工单优先级确认装置的结构示意图；
40.图3是本发明提供的电子设备的结构示意图。
具体实施方式
41.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
42.图1为本发明提供的工单优先级确认方法的流程示意图，如图1所示，本发明提供的工单优先级确认方法，包括以下步骤：
43.步骤101：获取待处理文本数据；其中，所述待处理文本数据是指优先级待确定的工单文本数据；
44.步骤102：对所述待处理文本数据进行向量化处理，获取所述待处理文本数据的特征向量；
45.步骤103：将所述特征向量输入预先训练好的优先级确认模型中，获取所述特征向量在多个优先级类别上的概率分布；
46.步骤104：根据所述概率分布确认出所述工单文本数据的优先级；
47.其中，所述优先级确认模型是根据样本文本数据和与所述样本文本数据对应的优先级标签数据进行训练得到的；其中，所述样本文本数据为优先级已确定的工单文本数据。
48.具体地，优先级(priority)是一种约定，优先级高的先做，优先级低的后做，是计算机分时操作系统在处理多个作业程序时，决定各个作业程序接受系统资源的优先等级的参数。
49.在步骤101中，获取的待处理文本数据是指还未确定优先级的工单文本数据，需要说明的是，待处理文本数据中包括客户信息、工单信息、历史通话记录和聊天记录信息等，其中，历史通话记录为音频信息，需要通过语音识别系统将其转换为文本信息。
50.在步骤102中，对待处理文本数据进行向量化处理，获取待处理文本数据的特征向量，其中，向量化处理包括多种方式，可以采用word2vec、glove、bert等词向量模型对待处理文本数据进行向量化处理，对于待处理文本数据中包含的历史通话记录和聊天记录中类长文本，可以采用滑动窗口(sliding window)的方法进行处理。需要说明的是，用户可以根
据实际需要选用不同的向量化处理方式，在次不做具体限定。
51.在步骤103中，将上述步骤102中得到的特征向量输入预先训练好的优先级确认模型中，得到特征向量下各个优先级类别上的概率分布，如优先级类别分别为1级(非常紧急)、2级(紧急)、3级(一般)、4级(不紧急)，通过优先级确认模型得到概率分布为：在1级优先级上的概率值为0.5，在2级优先级上的概率值为0.2，在3级优先级上的概率值为0.2，在4级优先级上的概率值为0.1。需要说明的是，对各个优先级类别上的分类结果进行归一化处理，使每个类别上的概率取值缩放在0～1之间，保证各个优先级类别上的概率值总和为1。
52.在步骤104中，根据得到的特征向量在优先级各个类别上的概率分布，将其中最大概率值对应的优先级类别确定为工单文本数据的优先级。需要说明的是，本实施例中是将最大概率值对应的优先级类别确定为工单文本数据的优先级，用户可以根据实际需要选用不同的确定方式，在此不做具体限定。
53.本发明实施列中，通过对待处理文本数据进行向量化处理，获取待处理文本数据的特征向量，然后将特征向量输入预先训练好的优先级确认模型中，得到特征向量在多个优先级类别上的概率分布，根据概率分布确定出工单文本数据的优先级。本发明提供的方法能够准确确定待处理工单数据的优先级，提高客服人员的工作效率，提升客户体验。
54.在本发明的另一个实施列中，所述确认出所述工单文本数据的优先级之后，包括：
55.根据所述工单文本数据的优先级自动生成服务级别协议。
56.具体地，服务级别协议(service level agreement，简称sla)，是指提供服务的企业与客户之间就服务的品质、水准、性能等方面所达成的双方共同认可的协议或契约。
57.在本发明实施列中，确认出工单文本数据的优先级之后，根据优先级自动生成sla，其中，sla可以为：1级(非常紧急)需要2小时内完成、2级(紧急)需要8小时内完成、3级(一般)需要24小时内完成、4级(不紧急)需要72小时内完成。需要说明的是，用户可以根据实际需要进行设定，在此不做具体限定。
58.本发明实施列中根据工单的优先级自动生成服务级别协议，能够为客服人员提供工作依据，提高工作效率。
59.在本发明的一个实施列中，在所述获取待处理文本数据之前，包括：
60.获取样本文本数据和样本文本数据的优先级标签数据；
61.对所述样本文本数据进行预处理和词嵌入处理，得到所述样本文本数据的特征向量；
62.基于所述样本文本数据的特征向量、样本文本数据的优先级标签数据训练优先级确认模型。
63.具体地，优先级标签数据是指对样本文本数据设定优先级标签得到的数据。
64.在本发明实施列中，样本文本数据是指收集到历史的工单文本数据，其中，优先级标签数据是指历史的工单文本数据已确定优先级的标签数据，根据得到的数据设置与优先级对应的sla规则，而且经过数据分析和统计，得到工单的优先级和sla的影响因素主要为：客户级别、客户行业、客户规模、工单标题、问题描述、工单的完成时长、工单催办次数、工单的满意度，以及客户通过呼叫中心或在线聊天方式进行催单的历史通话记录和聊天记录，对于语音或在线聊天的语音通过语音识别系统(asr)转换成文本，同时将得到的样本文本数据存入数据库中，具体的存储方式如下表1和表2所示。
65.表1样本文本数据
[0066][0067]
表2样本文本数据
[0068][0069]
对按照上述存储格式的样本文本数据进行预处理和词嵌入处理，得到样本文本数据的特征向量，其中，可以采用word2vec、glove、bert等词向量模型对样本文本数据进行词嵌入处理，对于样本文本数据中包含的历史通话记录和聊天记录中这类长文本，可以采用滑动窗口(sliding window)的方法进行处理，即把文档分成有重叠的若干段，然后每一段都作为独立的文档送入词向量模型中进行处理，得到特征向量。需要说明的是，用户可以根据实际需要选用不同的向量化处理方式，在次不做具体限定。
[0070]
在上述对样本文本数据处理的基础上，将得到的特征向量和样本文本数据的优先级标签数据构成训练集来训练优先级确认模型。
[0071]
本发明实施列中，根据历史的样本文本数据，以及已确定优先级的标签数据构成数据集，首先，对训练集中的样本文本数据进行预处理和词嵌入处理的，得到样本文本数据的特征向量，然后基于样本文本数据的特征向量和优先级标签数据训练优先级确认模型，提高了模型识别结果的准确率。
[0072]
在本发明的另一个实施例中，所述基于所述样本文本数据的特征向量、样本文本数据的优先级标签数据训练优先级确认模型，包括：
[0073]
步骤s1：利用待训练的优先级确认模型对所述样本文本数据的特征向量进行优先级识别，获取所述样本文本数据的识别结果；
[0074]
步骤s2：根据所述识别结果与所述样本文本数据的优先级标签数据，判断是否满足模型训练终止条件，当不满足模型训练终止条件时，调整所述待训练模型的参数，利用经过调整的优先级确认模型重新执行步骤s1；当满足模型训练终止条件时，得到经过训练的优先级确认模型。
[0075]
具体地，训练终止条件是指模型识别结果的准确率达到预设阈值时，则停止对模型的训练。具体可以根据实际需要进行设定，在此不做具体要求。
[0076]
在本发明实施列中，将上述实施列获取到的样本文本数据的特征向量输入待训练的优先级确认模型中，得到所述样本文本数据的识别结果，其中，待训练的优先级确认模型选用bert模型，然后根据识别结果和样本文本数据的优先级标签数据来判断是否满足模型的训练终止条件，如通过样本文本数据的特征向量得到的识别结果与优先级标签数据进行比较确认，得到模型识别的正确率为70％，而模型终止训练的预设阈值为90％，也就是说，此时不满足训练终止条件，需要对模型中的一些超参数进行微调处理，直到模型的准确率满足预设阈值的要求时，则停止对模型的训练，得到优先级确认模型。需要说明的时，待训练的优先级确认模型可以选用bert、elmo或gpt等作为预训练模型，具体可以根据实际需要进行设定，在此不做具体限定。
[0077]
本发明实施列中，通过提供的模型训练方法得到优先级确认模型，保证模型识别结果的准确率。
[0078]
在本发明的一个实施列中，所述对所述样本文本数据进行预处理，包括：
[0079]
对所述样本文本数据进行数据形状变换处理，得到所述样本文本数据的矩阵。
[0080]
具体地，数据形状变换是指将一维的样本文本数据转换成二维的矩阵形式的方式。
[0081]
在发明实施列中，获取的样本文本数据为一维数据，且所有数据连在一起，无法进行进一步的处理，对样本文本数据进行数据形状变换，每行为一个数据样本(11值)，每个数据样本包含10个影响优先级的影响因素和一个优先级数据，形成一个2维的矩阵，通过对样本文本数据进行数据形状变换处理，为后续的进一步处理提供数据支持。
[0082]
在本发明的另一个实施列中，在所述对所述待处理文本数据进行向量化处理之前，包括：
[0083]
对所述待处理文本数据进行繁简转换、文本纠错和语音转文本处理。
[0084]
具体地，繁简转换是指简体与繁体之间的转换。
[0085]
在发明实施列中，对所述待处理文本数据进行向量化处理之前，还需要对待处理文本数据进行繁简转换、文本纠错和语音转文本处理，其中，语音转文本处理是指将客户通过呼叫中心或在线聊天方式进行催单的历史通话记录和聊天记录，通过语音识别系统(asr)转换成文本数据。需要说明的是，用户可以根据实际需要对待处理文本进行相应的处理，在此不做具体限定。
[0086]
在本发明的另一个实施列中，对优先级确认模型进行训练包括以下步骤：
[0087]
收集工单文本数据提交的客户的历史样本文本数据，设置工单文本数据的优先级为四个级别类型，分别为非常紧急、紧急、一般、不紧急，根据设置的优先级得到四种sla规则，分别是2小时内完成(优先级为非常紧急)、8小时内完成(优先级为紧急)、24小时内完成(优先级为一般)、72小时内完成(优先级为不紧急)；经过对样本文本数据的分析和统计，确认工单文本数据的优先级和sla主要和以下影响因素相关：客户级别、客户行业、客户规模、工单标题、问题描述、工单完成时长、工单催办次数、工单满意度以及客户通过呼叫中心或者在线聊天方式进行催单的历史通话记录和聊天记录，本发明实施列中需要将通话记录的录音或在线聊天的语音通过asr(自动语音识别)系统转换为文本数据，同时将上述样本文本数据存入数据库中。
[0088]
对存储的样本文本数据进行预处理。首先将各个关键因素(客户级别、客户行业、客户规模、工单标题、问题描述、工单完成时长、工单催办次数、工单满意度，还包括客户通过呼叫中心或者在线聊天方式进行催单的历史通话记录和聊天记录)的样本文本数据导入，此时的样本文本数据是1维的，所有数据连在一起，无法进行进一步的处理，需要对样本文本数据进行数据形状变换，使每行数据为一个数据样本(11个值)，每个数据样本包含10个影响优先级的关键因素和一个优先级标签数据，形成一个2维的矩阵。
[0089]
然后对已预处理的样本文本数据进行词嵌入处理，词嵌入处理方法包括但不限于word2vec、glove、bert等，其中，对于通话记录和聊天记录这类长文本，可以采用滑动窗口(sliding window)的方法，将文档分成有重叠的若干段，然后每一段作为独立的文档送入词嵌入模型进行处理，得到样本文本数据的特征向量。将多个样本文本数据的特征向量和对应的优先级标签数据构成数据集。
[0090]
将上一步得到的数据集划分成训练集和测试集，其中训练集用于确定优先级确认模型的参数，测试集用于评判优先级确认模型的效果。基于通用划分标准，将数据集中的80％的数据用作训练集，20％的数据用作测试集，利用训练集中的数据对待训练的优先级确认模型进行训练，其中，优先级确认模型可以选取bert、elmo、gpt等作为预训练模型，本发明实施列中选用bert模型进行训练，进而得到一个可完成分类任务的优先级确认模型，在训练过程中对优先级确认模型中的一些超参数进行微调，然后输入测试集的数据，选取结果最优的模型作为优先级确认模型。需要说明的是，需要对分类结果进行归一化处理，使得每个特征的概率取值缩放到0～1之间，直接将模型的输出结果作为样本文本数据在多个优先级类别上的概率分布，且概率总合为1。
[0091]
图2为本发明提供的一种工单优先级确认装置，如图2所示，本发明提供的工单优先级确认装置，包括：
[0092]
获取模块201，用于获取待处理文本数据；其中，所述待处理文本数据是优先级待确定的工单文本数据；
[0093]
处理模块202，用于对所述待处理文本数据进行向量化处理，获取所述待处理文本数据的特征向量；
[0094]
输入模块203，用于将所述特征向量输入预先训练好的优先级确认模型中，获取所述特征向量在多个优先级类别上的概率分布；
[0095]
确认模块204，用于根据所述概率分布确认出所述工单文本数据的优先级；
[0096]
其中，所述优先级确认模型是根据样本文本数据和样本文本数据的优先级标签数据进行训练得到的；其中，所述样本文本数据为优先级已确定的工单文本数据。
[0097]
本发明提供的工单优先级确认装置，能够提高客服人员的工作效率，提升客户体验。
[0098]
进一步地，所述装置还包括生成模块，所述生成模块用于：
[0099]
根据所述工单文本数据的优先级自动生成服务级别协议。
[0100]
进一步地，所述装置还包括训练模块，所述训练模块用于：
[0101]
获取样本文本数据和样本文本数据的优先级标签数据；
[0102]
对所述样本文本数据进行预处理和词嵌入处理，得到所述样本文本数据的特征向量；
[0103]
基于所述样本文本数据的特征向量、样本文本数据的优先级标签数据训练优先级确认模型。
[0104]
进一步地，所述训练模块包括识别单元、判断单元，其中，
[0105]
所述识别单元，用于利用待训练的优先级确认模型对所述样本文本数据的特征向量进行优先级识别，获取所述样本文本数据的识别结果；
[0106]
所述判断单元，用于根据所述识别结果与所述样本文本数据的优先级标签数据，判断是否满足模型训练终止条件，当不满足模型训练终止条件时，调整所述待训练模型的参数，利用经过调整的优先级确认模型重新执行上述步骤；当满足模型训练终止条件时，得到经过训练的优先级确认模型。
[0107]
进一步地，所述处理模块还用于：
[0108]
对所述样本文本数据进行数据形状变换处理，得到所述样本文本数据的矩阵。
[0109]
进一步地，所述装置还包括预处理模块，所述预处理模块用于：
[0110]
对所述待处理文本数据进行繁简转换、文本纠错和语音转文本处理。
[0111]
由于本发明实施例所述装置与上述实施例所述方法的原理相同，对于更加详细的解释内容在此不再赘述。
[0112]
图3为本发明实施例提供的电子设备实体结构示意图，如图3所示，本发明提供一种电子设备，包括：处理器(processor)301、存储器(memory)302和总线303；
[0113]
其中，处理器301、存储器302通过总线303完成相互间的通信；
[0114]
处理器301用于调用存储器302中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取待处理文本数据；其中，所述待处理文本数据是指优先级待确定的工单文本数据；将所述待处理文本数据输入词向量模型中，获取所述待处理文本数据的特征向量；将所述特征向量输入预先训练好的优先级确认模型中，获取所述特征向量在多个优先级类别上的概率分布；根据所述概率分布确认出所述工单文本数据的优先级；其中，所述优先级确认模型是根据样本文本数据和与所述样本文本数据对应的优先级标签数据进行
训练得到的；其中，所述样本文本数据为优先级已确定的工单文本数据。
[0115]
本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取待处理文本数据；其中，所述待处理文本数据是指优先级待确定的工单文本数据；将所述待处理文本数据输入词向量模型中，获取所述待处理文本数据的特征向量；将所述特征向量输入预先训练好的优先级确认模型中，获取所述特征向量在多个优先级类别上的概率分布；根据所述概率分布确认出所述工单文本数据的优先级；其中，所述优先级确认模型是根据样本文本数据和与所述样本文本数据对应的优先级标签数据进行训练得到的；其中，所述样本文本数据为优先级已确定的工单文本数据。
[0116]
本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的工单优先级确认方法，该方法包括：获取待处理文本数据；其中，所述待处理文本数据是指优先级待确定的工单文本数据；将所述待处理文本数据输入词向量模型中，获取所述待处理文本数据的特征向量；将所述特征向量输入预先训练好的优先级确认模型中，获取所述特征向量在多个优先级类别上的概率分布；根据所述概率分布确认出所述工单文本数据的优先级；其中，所述优先级确认模型是根据样本文本数据和与所述样本文本数据对应的优先级标签数据进行训练得到的；其中，所述样本文本数据为优先级已确定的工单文本数据。
[0117]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0118]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。