推荐方法及装置与流程

1.本技术实施例涉及人工智能技术领域，尤其涉及一种推荐方法及装置。


背景技术：

2.工单是一种用于记录客户的诉求或问题、以及后续处理问题的过程和客户反馈结果的表单。当客户提出诉求或问题后，客服人员根据客户的诉求或问题生成相应的工单，然后由处理人员根据工单对客户的诉求或问题进行处理。
3.由于工单具有一定的时效性，在工单生成后，处理人员需要在一定的时间内对工单进行处理，以解决客户的诉求或问题。当工单的数量较大时，处理人员需要处理的工单的量也相应的增加。为了在工单的时效内处理大量的工单，需要提供一种方案，提高处理人员处理工单的效率。


技术实现要素：

4.本技术实施例提供一种推荐方法及装置，以提高处理人员处理工单的效率。
5.第一方面，本技术实施例提供一种推荐方法，包括：
6.接收工单推荐请求，所述工单推荐请求中包括待处理工单的标识；
7.根据所述待处理工单的标识，获取所述待处理工单的属性标签和客户情感标签；
8.根据所述待处理工单的属性标签和客户情感标签，在多个历史工单中确定所述目标历史工单，所述目标历史工单为满足所述待处理工单的场景相似度要求的工单；
9.向第一客户端发送推荐结果，所述推荐结果中包括所述目标历史工单的相关信息。
10.在一种可能的实施方式中，根据所述待处理工单的标识，获取所述待处理工单的属性标签和客户情感标签，包括：
11.根据所述待处理工单的标识，获取所述待处理工单的结构化数据和非结构化数据；
12.根据所述结构化数据和所述非结构化数据，获取所述属性标签和所述客户情感标签。
13.在一种可能的实施方式中，根据所述结构化数据和所述非结构化数据，获取所述属性标签和所述客户情感标签，包括：
14.将所述结构化数据和所述非结构化数据输入自然语言处理nlp模型，得到所述nlp模型输出的所述属性标签和所述客户情感标签；
15.其中，所述nlp模型是通过多组第一训练样本训练得到的，每组第一训练样本中包括一个历史工单的样本结构化数据、样本非结构化数据、样本属性标签和样本客户情感标签。
16.在一种可能的实施方式中，根据所述结构化数据和所述非结构化数据，获取所述属性标签和所述客户情感标签，包括：
17.根据所述非结构化数据获取工单实体；
18.根据所述工单实体，在所述结构化数据和所述非结构化数据中，获取所述属性标签和所述客户情感标签。
19.在一种可能的实施方式中，所述场景相似度要求包括属性相似度要求和情感相似度要求；根据所述待处理工单的属性标签和客户情感标签，在多个历史工单中确定所述目标历史工单，包括：
20.根据所述待处理工单的属性标签，在工单知识图谱中获取对应的属性标签与所述待处理工单的属性标签的相似度满足所述属性相似度要求的第一候选历史工单；
21.根据所述待处理工单的客户情感标签，在所述工单知识图谱中获取对应的客户情感标签与所述待处理工单的相似度满足所述情感相似度要求的第二候选历史工单；
22.根据所述第一候选历史工单和所述第二候选历史工单，确定所述目标历史工单；
23.其中，所述工单知识图谱是根据所述多个历史工单的属性标签和客户情感标签生成的。
24.在一种可能的实施方式中，根据所述第一候选历史工单和所述第二候选历史工单，确定所述目标历史工单，包括：
25.根据所述第一候选历史工单的标识和所述第二候选历史工单的标识，确定所述第一候选历史工单和所述第二候选历史工单的交集；
26.将所述交集中的历史工单确定为所述目标历史工单。
27.在一种可能的实施方式中，根据所述第一候选历史工单和所述第二候选历史工单，确定所述目标历史工单，包括：
28.获取属性相似度的第一权重和情感相似度的第二权重；
29.根据各所述第一候选历史工单与所述待处理工单的属性相似度、所述第一权重，各所述第二候选历史工单与所述待处理工单的情感相似度和所述第二权重，在所述第一候选历史工单和所述第二候选历史工单中确定所述目标历史工单。
30.在一种可能的实施方式中，根据所述待处理工单的属性标签和客户情感标签，在所述多个历史工单中确定所述目标历史工单，包括：
31.将所述待处理工单的属性标签以及所述客户情感标签输入至推荐模型，得到所述推荐模型输出的所述目标历史工单的标识；
32.根据所述目标历史工单的标识，确定所述目标历史工单；
33.其中，所述推荐模型是通过多组第二训练样本训练得到的，每组第二训练样本中包括一个历史工单的样本属性标签、样本客户情感标签和样本目标历史工单的标识。
34.在一种可能的实施方式中，接收工单推荐请求，包括：
35.接收来自所述第一客户端的所述工单推荐请求；或者，
36.接收来自第二客户端的所述工单推荐请求，所述第二客户端为生成所述待处理工单的客户端。
37.在一种可能的实施方式中，所述相关信息包括以下至少一项：
38.所述目标历史工单的标识、结构化数据、非结构化数据、客户反馈结果、与所述待处理工单的属性相似度和与所述待处理工单的情感相似度。
39.第二方面，本技术实施例提供一种推荐装置，包括：
40.接收模块，用于接收工单推荐请求，所述工单推荐请求中包括待处理工单的标识；
41.获取模块，用于根据所述待处理工单的标识，获取所述待处理工单的属性标签和客户情感标签；
42.处理模块，用于根据所述待处理工单的属性标签和客户情感标签，在多个历史工单中确定所述目标历史工单，所述目标历史工单为满足所述待处理工单的场景相似度要求的工单；
43.发送模块，用于向第一客户端发送推荐结果，所述推荐结果中包括所述目标历史工单的相关信息。
44.在一种可能的实施方式中，所述获取模块具体用于：
45.根据所述待处理工单的标识，获取所述待处理工单的结构化数据和非结构化数据；
46.根据所述结构化数据和所述非结构化数据，获取所述属性标签和所述客户情感标签。
47.在一种可能的实施方式中，所述获取模块具体用于：
48.将所述结构化数据和所述非结构化数据输入自然语言处理nlp模型，得到所述nlp模型输出的所述属性标签和所述客户情感标签；
49.其中，所述nlp模型是通过多组第一训练样本训练得到的，每组第一训练样本中包括一个历史工单的样本结构化数据、样本非结构化数据、样本属性标签和样本客户情感标签。
50.在一种可能的实施方式中，所述获取模块具体用于：
51.根据所述非结构化数据获取工单实体；
52.根据所述工单实体，在所述结构化数据和所述非结构化数据中，获取所述属性标签和所述客户情感标签。
53.在一种可能的实施方式中，所述场景相似度要求包括属性相似度要求和情感相似度要求；所述处理模块具体用于：
54.根据所述待处理工单的属性标签，在工单知识图谱中获取对应的属性标签与所述待处理工单的属性标签的相似度满足所述属性相似度要求的第一候选历史工单；
55.根据所述待处理工单的客户情感标签，在所述工单知识图谱中获取对应的客户情感标签与所述待处理工单的相似度满足所述情感相似度要求的第二候选历史工单；
56.根据所述第一候选历史工单和所述第二候选历史工单，确定所述目标历史工单；
57.其中，所述工单知识图谱是根据所述多个历史工单的属性标签和客户情感标签生成的。
58.在一种可能的实施方式中，所述处理模块具体用于：
59.根据所述第一候选历史工单的标识和所述第二候选历史工单的标识，确定所述第一候选历史工单和所述第二候选历史工单的交集；
60.将所述交集中的历史工单确定为所述目标历史工单。
61.在一种可能的实施方式中，所述处理模块具体用于：
62.获取属性相似度的第一权重和情感相似度的第二权重；
63.根据各所述第一候选历史工单与所述待处理工单的属性相似度、所述第一权重，
各所述第二候选历史工单与所述待处理工单的情感相似度和所述第二权重，在所述第一候选历史工单和所述第二候选历史工单中确定所述目标历史工单。
64.在一种可能的实施方式中，所述处理模块具体用于：
65.将所述待处理工单的属性标签以及所述客户情感标签输入至推荐模型，得到所述推荐模型输出的所述目标历史工单的标识；
66.根据所述目标历史工单的标识，确定所述目标历史工单；
67.其中，所述推荐模型是通过多组第二训练样本训练得到的，每组第二训练样本中包括一个历史工单的样本属性标签、样本客户情感标签和样本目标历史工单的标识。
68.在一种可能的实施方式中，所述接收模块具体用于：
69.接收来自所述第一客户端的所述工单推荐请求；或者，
70.接收来自第二客户端的所述工单推荐请求，所述第二客户端为生成所述待处理工单的客户端。
71.在一种可能的实施方式中，所述相关信息包括以下至少一项：
72.所述目标历史工单的标识、结构化数据、非结构化数据、客户反馈结果、与所述待处理工单的属性相似度和与所述待处理工单的情感相似度。
73.第三方面，本技术实施例提供一种推荐设备，包括：
74.存储器，用于存储程序；
75.处理器，用于执行所述存储器存储的所述程序，当所述程序被执行时，所述处理器用于执行如第一方面中任一所述的推荐方法。
76.第四方面，本技术实施例提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如第一方面中任一所述的推荐方法。
77.第五方面，本技术实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一所述的推荐方法。
78.本技术实施例提供的推荐方法及装置，首先接收工单推荐请求，然后根据工单推荐请求中的待处理工单的标识，获取待处理工单的属性标签和客户情感标签。由于待处理工单的属性标签和客户情感标签分别指示了待处理工单中实体的属性以及对应的客户的情感需求，因此根据待处理工单的属性标签和客户情感标签，能够在多个历史工单中确定与待处理工单的场景相似度较高的目标历史工单。最后，可以向第一客户端发送推荐结果，推荐结果中包括目标历史工单的相关信息。由于目标历史工单与待处理工单的场景相似度较高，因此处理人员可以通过第一客户端获取到目标历史工单的处理过程、客户反馈结果等信息，从而根据目标历史工单处理场景类似的待处理工单，能够提高待处理工单的处理效率。
附图说明
79.为了更清楚地说明本技术实施例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技术的一些实施例，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。
80.图1为本技术实施例提供的一种应用场景示意图；
81.图2为本技术实施例提供的推荐方法的流程示意图；
82.图3为本技术实施例提供的触发工单推荐流程的示意图一；
83.图4为本技术实施例提供的触发工单推荐流程的示意图二；
84.图5为一种基于工单知识图谱进行工单推荐的示意图；
85.图6为本技术实施例提供的推荐工单界面示意图；
86.图7为本技术实施例提供的推荐装置的结构示意图；
87.图8为本技术实施例提供的推荐设备的硬件结构示意图。
具体实施方式
88.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
89.工单系统给处理人员提供了从接收客户诉求到解决客户问题和记录相关信息全流程的服务支持。图1为本技术实施例提供的一种工单系统的示意图，如图1所示，工单系统可以包括服务器10、第一客户端11和第二客户端12，其中，服务器10与第一客户端11之间通过有线或无线网络连接，服务器10与第二客户端12之间通过有线或无线网络连接。
90.第二客户端12为客服人员(或客服坐席)操作的客户端。当客户提出诉求或者问题后，客服人员可以根据客户来电内容，在第二客户端12上记录相应的紧急程度、客户编号、关系部门、业务类型、客户的诉求或问题等内容，从而生成相应的工单。
91.在生成工单后，第二客户端12可以将生成的工单发送给服务器10，通过服务器10发送给第一客户端11，使得处理人员通过第一客户端11查看工单，并根据工单记录的内容处理客户的诉求或问题。进一步的，处理人员在处理工单时，还可以在第一客户端11上记录本次处理的过程、客户对处理结果的反馈意见等等，直至解决客户的诉求或问题后，工单处理完结。
92.工单系统旨在让客服人员在第二客户端12上通过工单记录需要联合多部门处理人员共同处理客户的诉求或问题。随着客户对服务质量和服务响应速度要求不断提高，处理人员要高效且圆满的完成工单处理任务，这对处理人员的业务水平和处理能力提出了较高的要求。
93.在处理人员处理大量的工单的过程中，可能会遇到各种存在疑难杂症的较难处理的工单，这类工单处理耗时较长，会极大的降低处理人员的处理效率。基于此，本技术实施例提供一种推荐方法，以提高处理人员处理工单的效率，使得处理人员能够高效高质量的完成工单处理任务。
94.在本技术的技术方案中，所涉及的金融数据或用户数据等信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。下面将结合附图对本技术的方案进行介绍。
95.图2为本技术实施例提供的推荐方法的流程示意图，如图2所示，该方法可以包括：
96.s21，接收工单推荐请求，工单推荐请求中包括待处理工单的标识。
97.本技术实施例中的执行主体可以为服务器，例如可以为图1所示的场景中的服务
器10。
98.当需要为待处理工单推荐相似的历史工单时，服务器可以接收工单推荐请求。其中，工单推荐请求可以是客户端向服务器发送的。例如，第一客户端可以向服务器发送工单推荐请求，此时，处理人员可以对第一客户端执行相应的操作，第一客户端响应于处理人员的操作，向服务器发送工单推荐请求。例如，第二客户端也可以向服务器发送工单推荐请求，此时客服人员可以对第二客户端执行相应的操作，第二客户端响应于处理人员的操作，向服务器发送工单推荐请求。
99.工单推荐请求中包括待处理工单的标识，通过待处理工单的标识，可以获取待处理工单的相关内容。
100.s22，根据待处理工单的标识，获取待处理工单的属性标签和客户情感标签。
101.当第二客户端在根据客户的诉求或问题生成工单后，会向服务器侧发送工单，由服务器统一调度。因此，服务器中存储有多个历史工单以及待处理工单，不同的工单通过各自的标识区分。
102.在接收工单推荐请求后，可以获取到待处理工单的标识，根据待处理工单的标识，可以获取待处理工单的相关内容，从而得到待处理工单的属性标签和客户情感标签。
103.待处理工单的属性标签为待处理工单中的实体的属性标签。实体为业务需要的特殊文本片段，本技术实施例中，待处理工单中的实体为待处理工单的类型，例如待处理工单是一个客户投诉问题，则待处理工单中的实体为客户投诉。
104.待处理工单的属性标签用于指示实体的各种属性，属性标签例如可以包括工单的业务属性标签、地域属性标签、客户诉求属性标签等等。业务属性标签用于指示实体的业务属性，例如客户投诉所属的业务类别；地域属性标签用于指示实体的地域属性，例如客户投诉的所属地域；客户诉求属性标签用于指示实体的客户诉求属性，例如客户投诉的具体诉求，等等。
105.待处理工单的客户情感标签为待处理工单对应的客户的情感标签，用于指示对应的客户的情感需求。客户的情感需求例如可以包括客户的个性化要求、客户的性格、语气、情绪等情感需求。通过获取客户情感标签，能够更加有效的获取客户的诉求，有助于后续对待处理工单的高效处理。例如，若客户的情感标签指示了客户有相应的个性化需求，则可以根据客户的个性化需求针对性的进行待处理工单的处理。
106.s23，根据待处理工单的属性标签和客户情感标签，在多个历史工单中确定目标历史工单，目标历史工单为满足待处理工单的场景相似度要求的工单。
107.在服务器获取待处理工单的属性标签和客户情感标签后，会在多个历史工单中进行搜索，确定与待处理工单的场景相似的目标历史工单。
108.目标历史工单与待处理工单的场景相似，可以包括目标历史工单的实体的属性与待处理工单的实体的属性相似，还可以包括目标历史工单的情感需求与待处理工单的情感需求相似。因此，服务器可以根据待处理工单的属性标签和客户情感标签，在多个历史工单中确定满足待处理工单的场景相似度要求的目标历史工单。
109.s24，向第一客户端发送推荐结果，推荐结果中包括目标历史工单的相关信息。
110.在确定了满足待处理工单的场景相似度的目标历史工单后，服务器可以向第一客户端发送推荐结果，推荐结果中包括目标历史工单的相关信息，例如可以包括目标历史工
单的客户诉求、处理过程、客户反馈结果等等。当处理人员在第一客户端上处理该待处理工单时，可以在第一客户端上显示目标历史工单的相关信息。由于目标历史工单与待处理工单具备一定的场景相似度，因此处理人员可以根据目标历史工单的处理过程，辅助进行待处理工单的处理。
111.本技术实施例提供的推荐方法，首先接收工单推荐请求，然后根据工单推荐请求中的待处理工单的标识，获取待处理工单的属性标签和客户情感标签。由于待处理工单的属性标签和客户情感标签分别指示了待处理工单中实体的属性以及对应的客户的情感需求，因此根据待处理工单的属性标签和客户情感标签，能够在多个历史工单中确定与待处理工单的场景相似度较高的目标历史工单。最后，可以向第一客户端发送推荐结果，推荐结果中包括目标历史工单的相关信息。由于目标历史工单与待处理工单的场景相似度较高，因此处理人员可以通过第一客户端获取到目标历史工单的处理过程、客户反馈结果等信息，从而根据目标历史工单处理场景类似的待处理工单，能够提高待处理工单的处理效率。
112.下面结合附图对本技术的方案进行详细介绍。
113.当进行目标历史工单的推荐之前，首先要触发工单的推荐。本技术实施例中，工单的推荐可以是处理人员通过第一客户端触发的，也可以是客服人员通过第二客户端触发的。
114.图3为本技术实施例提供的触发工单推荐流程的示意图一，如图3所示，界面30为第一客户端的界面。当处理人员在第一客户端上处理待处理工单时，若需要进行工单推荐流程，则可以通过界面30触发。
115.例如在界面30中，包括推荐控件31。当处理人员需要查看与待处理工单场景相似的历史工单时，处理人员可以通过推荐控件31触发推荐流程。第一客户端11响应于针对推荐控件31的触控操作，向服务器10发送工单推荐请求。
116.服务器10在接收到第一客户端11发送的工单推荐请求后，根据工单推荐请求，在多个历史工单中确定与待处理工单的场景相似的目标历史工单，然后向第一客户端11发送推荐结果。第一客户端11在接收到推荐结果后，可以获取目标历史工单的相关信息。处理人员可以在第一客户端11上查看目标历史工单的相关信息，从而辅助对待处理工单的处理。
117.需要说明的是，图3仅仅是对第一客户端触发工单推荐流程的一种示例，并不构成对第一客户端触发工单推荐流程的界面以及实现方案的具体限定。
118.通过第一客户端触发推荐流程，处理人员可以根据自身的实际需求来决定是否进行推荐。在处理复杂度较高的待处理工单时，触发推荐流程；在处理复杂度较低的待处理工单时，不触发推荐流程。推荐流程的触发较灵活，也可以减小不必要的工单推荐。
119.图4为本技术实施例提供的触发工单推荐流程的示意图二，如图4所示，界面40为第二客户端的界面。当客服人员在第二客户端上记录客户的诉求或问题后，可以通过界面40上的生成控件41生成待处理工单。在该过程中，客服人员可以通过对第二客户端的操作触发推荐流程。客服人员可以通过客户情绪、客户诉求程度等方面选择是触发推荐流程，进行预推荐。
120.例如在界面40上，包括一个选择区域42，用于选择是否触发推荐流程。处理人员可以通过该选择区域42触发推荐流程。当客服人员在选择区域42选择了触发推荐流程后，在通过生成控件41生成待处理工单后，第二客户端12响应于针对生成控件41的触控操作，向
服务器10发送工单推荐请求。
121.服务器10在接收到第二客户端12发送的工单推荐请求后，根据工单推荐请求，在多个历史工单中确定与待处理工单的场景相似的目标历史工单，然后向第一客户端发送推荐结果。第一客户端在接收到推荐结果后，可以获取目标历史工单的相关信息。处理人员可以在第一客户端上查看目标历史工单的相关信息，从而辅助对待处理工单的处理。
122.需要说明的是，图4仅仅是对第二客户端触发工单推荐流程的一种示例，并不构成对第二客户端触发工单推荐流程的界面以及实现方案的具体限定。
123.通过第二客户端触发推荐流程，在生成待处理工单时客服人员就通过第二客户端向服务器发起了工单推荐请求，服务器根据工单推荐请求确定目标历史工单。当处理人员在第一客户端上处理待处理工单时，就能够从服务器获取到目标历史工单的相关信息，工单推荐的实时性较高，工单推荐的响应速度较快。
124.在上述实施例中介绍了触发工单推荐的方案，下面将介绍获取待处理工单的属性标签和客户情感标签的方案。
125.在获取工单推荐请求中的待处理工单的标识后，可以根据待处理工单的标识获取待处理工单中的内容。待处理工单中包括结构化数据和非结构化数据，结构化数据例如可以包括待处理工单的单号、处理类型、所处环节、处理部门、处理人员中的一项或多项，非结构化数据例如可以包括客户的诉求描述文本、客户的问题描述文本等等。待处理工单中的内容即包括上述结构化数据和非结构化数据。
126.在获取待处理工单的结构化数据和非结构化数据后，可以根据结构化数据和非结构化数据，获取待处理工单的属性标签和客户情感标签。
127.一种可能的实现方式是，根据自然语言处理(natural language processing，nlp)模型对结构化数据和非结构化数据处理，得到待处理工单的属性标签和客户情感标签。nlp模型可以通过多个历史工单预训练得到。
128.具体的，可以获取多个历史工单，根据多个历史工单，得到多组第一训练样本，每组第一训练样本中包括一个历史工单的样本结构化数据、样本非结构化数据、样本属性标签和样本客户情感标签。
129.然后，将第一训练样本中的样本结构化数据和样本非结构化数据输入至nlp模型，nlp模型可以输出对应的属性标签和客户情感标签。根据nlp模型输出的属性标签和样本属性标签的差值、以及nlp模型输出的客户情感标签和样本客户情感标签的差值，对nlp模型的参数进行调整。针对每组第一训练样本，均根据上述方案对nlp模型进行训练，从而得到训练完成的nlp模型。
130.在nlp模型训练完成之后，nlp模型就具备根据工单的结构化数据和非结构化数据提取属性标签和客户情感标签的功能。然后，可以将待处理工单的结构化数据和非结构化数据输入至nlp模型，得到nlp模型输出的待处理工单的属性标签和客户情感标签。处理人员还可以根据nlp模型输出的属性标签和客户情感标签进行标注，用于优化训练nlp模型，提高nlp模型的准确率。
131.另一种可能的实现方式是，根据待处理工单的非结构化数据获取工单实体，然后根据该工单实体，在待处理工单的结构化数据和非结构化数据中，获取属性标签和客户情感标签。
132.例如，在获取待处理工单后，可以根据待处理工单获取对应的非结构化数据。以非结构化数据为客户的问题描述文本为例，问题描述文本中描述了客户投诉某个业务的操作过于复杂，操作不易上手。因此，可以根据客户的问题描述文本进行实体抽取，得到对应的工单实体为客户投诉。
133.然后，可以根据客户投诉这个工单实体，在结构化数据和非结构化数据中获取属性标签和客户情感标签。具体的，属性标签例如可以包括客户投诉的业务类型、关系部门等等，客户情感标签例如可以包括客户在时效性和服务质量上的个性化要求等等。
134.在获取待处理工单的属性标签和客户情感标签后，可以在多个历史工单中确定满足场景相似度要求的目标历史工单。
135.一种可能的实现方式是，根据工单知识图谱确定目标历史工单。
136.知识图谱是一种用于揭示实体关系的语义网络，可以对现实世界的事物及其相互关系进行形式化的描述。本技术实施例中的工单知识图谱是通过大量历史工单包括的数据处理形成的。通过大量历史工单的结构化数据和警告nlp信息抽取处理后的非结构化数据，生成工单实体，组成关系网络，即可得到工单知识图谱。图5为一种基于工单知识图谱进行工单推荐的示意图，如图5所示，针对大量历史工单，可以获取这些历史工单的结构化数据和非结构化数据，然后对非结构化数据进行nlp结构化处理，生成工单实体。然后，再根据历史工单的结构化数据和非结构化数据获取工单实体的关键属性。对大量的历史工单均执行上述处理，即可得到工单知识图谱，工单指示图片中包括各个工单实体之间的关系以及各个工单实体的关键属性之间的关系。针对待处理工单而言，也可以根据待处理工单的结构化数据和非结构化数据得到对应的工单实体以及工单实体的关键属性，从而执行推荐过程。
137.在生成工单知识图谱后，具体的，首先根据待处理工单的属性标签，在工单知识图谱中获取对应的属性标签与待处理工单的属性标签满足属性相似度要求的第一候选历史工单；然后根据待处理工单的客户情感标签，在工单知识图谱中获取对应的客户情感标签与待处理工单的相似度满足情感相似度要求的第二候选历史工单。
138.在确定了第一候选历史工单和第二候选历史工单之后，根据第一候选历史工单和第二候选历史工单，可以确定满足场景相似度要求的目标历史工单。
139.例如，可以根据第一候选历史工单的标识和第二候选历史工单的标识，确定第一候选历史工单和第二候选历史工单的交集。然后，将交集中的历史工单确定为目标历史工单。
140.例如，可以获取属性相似度的第一权重和情感相似度的第二权重。然后，根据各第一候选历史工单与待处理工单的属性相似度、第一权重，各第二候选历史工单与待处理工单的情感相似度和第二权重，在第一候选历史工单和第二候选历史工单中确定目标历史工单。具体的，可以根据属性相似度的第一权重和情感相似度的第二权重，对第一候选历史工单和第二候选历史工单进行打分，根据打分的结果来确定目标历史工单。例如，第一候选历史工单中包括工单101、工单102和工单103，其中，工单101和待处理工单的属性相似度为70％，工单102和待处理工单的属性相似度为80％、工单103和待处理工单的属性相似度为90％。第二候选历史工单中包括工单101、工单102和工单104，其中，工单101和待处理工单的情感相似度为90％，工单102和待处理工单的情感相似度为50％、工单104和待处理工单
的情感相似度为80％。第一权重为0.7，第二权重为0.3。根据上述参数，可以得到如下打分结果：
141.工单101：0.7*0.7 0.9*0.3＝0.49 0.27＝0.76；
142.工单102：0.8*0.7 0.5*0.3＝0.56 0.15＝0.71；
143.工单103：0.9*0.7 0*0.3＝0.63；
144.工单104：0.8*0.3＝0.24。
145.打分结果越高，表示对应的历史工单与待处理工单的场景相似度越高，因此可以将打分结果靠前的历史工单确定为目标历史工单。例如，可以将工单101作为目标历史工单，例如，可以将工单101和工单102作为目标历史工单，等等。
146.另一种可能的实现方式是，根据推荐模型确定目标历史工单。推荐模型可以通过多个历史工单预训练得到。
147.具体的，可以获取多个历史工单，根据多个历史工单，得到多组第二训练样本，每组第二训练样本中包括一个历史工单的样本属性标签、样本客户情感标签和历史工单的标识。
148.然后，将第二训练样本中的样本属性标签和样本客户情感标签输入至推荐模型，推荐模型可以输出对应的工单的标识。根据推荐模型输出的工单的标识和样本历史工单的标识的差值，对推荐模型的参数进行调整。针对每组第二训练样本，均根据上述方案对推荐模型进行训练，从而得到训练完成的推荐模型。
149.在推荐模型训练完成之后，推荐模型就具备根据工单的属性标签和客户情感标签推荐工单的功能。然后，可以将待处理工单的属性标签和客户情感标签输入至推荐模型，得到推荐模型输出的目标历史工单的标识。在获取目标历史工单的标识后，就可以根据目标历史工单的标识，确定对应的目标历史工单。当处理人员在处理待处理工单后，还可以反馈推荐模型推荐的目标历史工单是否准确，从而根据处理人员的操作进一步更新和优化推荐模型，提高推荐模型的准确率。
150.图6为本技术实施例提供的推荐工单界面示意图，如图6所示，在执行推荐流程后，在第一客户端的界面60上会显示推荐的目标历史工单的相关信息，例如在图6中，显示了3个目标历史工单，分别是历史工单101、历史工单103和历史工单106，101、103、106分别为这三个历史工单的标识。
151.在界面60上，还显示了各个目标历史工单与待处理工单的属性相似度、情感相似度和反馈结果满意度，其中，反馈结果满意度为之前的处理人员处理相应的历史工单之后客户反馈的处理结果满意度。
152.其中，历史工单101与待处理工单的属性相似度为90％，与待处理工单的情感相似度为80％，反馈结果满意度为100％；历史工单103与待处理工单的属性相似度为80％，与待处理工单的情感相似度为80％，反馈结果满意度为100％；历史工单106与待处理工单的属性相似度为90％，与待处理工单的情感相似度为70％，反馈结果满意度为80％。
153.处理人员可以根据目标历史工单与待处理工单的属性相似度、情感相似度和反馈结果满意度中的一项或多项，来选择最终推荐的目标历史工单。例如在图6中，处理人员选择了历史工单101，响应于处理人员的触控操作，界面60上会显示历史工单101的详细内容，从而供处理人员在处理待处理工单时参考。处理人员根据推荐的目标历史工单，实现对待
处理工单上的客户问题和诉求的快速响应，从而提高处理人员处理待处理工单的效率。
154.本技术实施例提供的推荐方法，首先接收工单推荐请求，然后根据工单推荐请求中的待处理工单的标识，获取待处理工单的属性标签和客户情感标签。由于待处理工单的属性标签和客户情感标签分别指示了待处理工单中实体的属性以及对应的客户的情感需求，因此根据待处理工单的属性标签和客户情感标签，能够在多个历史工单中确定与待处理工单的场景相似度较高的目标历史工单。最后，可以向第一客户端发送推荐结果，推荐结果中包括目标历史工单的相关信息。由于目标历史工单与待处理工单的场景相似度较高，因此处理人员可以通过第一客户端获取到目标历史工单的处理过程、客户反馈结果等信息，从而根据目标历史工单处理场景类似的待处理工单，能够提高待处理工单的处理效率。
155.图7为本技术实施例提供的推荐装置的结构示意图，如图7所示，包括：
156.接收模块71，用于接收工单推荐请求，所述工单推荐请求中包括待处理工单的标识；
157.获取模块72，用于根据所述待处理工单的标识，获取所述待处理工单的属性标签和客户情感标签；
158.处理模块73，用于根据所述待处理工单的属性标签和客户情感标签，在多个历史工单中确定所述目标历史工单，所述目标历史工单为满足所述待处理工单的场景相似度要求的工单；
159.发送模块74，用于向第一客户端发送推荐结果，所述推荐结果中包括所述目标历史工单的相关信息。
160.在一种可能的实施方式中，所述获取模块72具体用于：
161.根据所述待处理工单的标识，获取所述待处理工单的结构化数据和非结构化数据；
162.根据所述结构化数据和所述非结构化数据，获取所述属性标签和所述客户情感标签。
163.在一种可能的实施方式中，所述获取模块72具体用于：
164.将所述结构化数据和所述非结构化数据输入自然语言处理nlp模型，得到所述nlp模型输出的所述属性标签和所述客户情感标签；
165.其中，所述nlp模型是通过多组第一训练样本训练得到的，每组第一训练样本中包括一个历史工单的样本结构化数据、样本非结构化数据、样本属性标签和样本客户情感标签。
166.在一种可能的实施方式中，所述获取模块72具体用于：
167.根据所述非结构化数据获取工单实体；
168.根据所述工单实体，在所述结构化数据和所述非结构化数据中，获取所述属性标签和所述客户情感标签。
169.在一种可能的实施方式中，所述场景相似度要求包括属性相似度要求和情感相似度要求；所述处理模块73具体用于：
170.根据所述待处理工单的属性标签，在工单知识图谱中获取对应的属性标签与所述待处理工单的属性标签的相似度满足所述属性相似度要求的第一候选历史工单；
171.根据所述待处理工单的客户情感标签，在所述工单知识图谱中获取对应的客户情
感标签与所述待处理工单的相似度满足所述情感相似度要求的第二候选历史工单；
172.根据所述第一候选历史工单和所述第二候选历史工单，确定所述目标历史工单；
173.其中，所述工单知识图谱是根据所述多个历史工单的属性标签和客户情感标签生成的。
174.在一种可能的实施方式中，所述处理模块73具体用于：
175.根据所述第一候选历史工单的标识和所述第二候选历史工单的标识，确定所述第一候选历史工单和所述第二候选历史工单的交集；
176.将所述交集中的历史工单确定为所述目标历史工单。
177.在一种可能的实施方式中，所述处理模块73具体用于：
178.获取属性相似度的第一权重和情感相似度的第二权重；
179.根据各所述第一候选历史工单与所述待处理工单的属性相似度、所述第一权重，各所述第二候选历史工单与所述待处理工单的情感相似度和所述第二权重，在所述第一候选历史工单和所述第二候选历史工单中确定所述目标历史工单。
180.在一种可能的实施方式中，所述处理模块73具体用于：
181.将所述待处理工单的属性标签以及所述客户情感标签输入至推荐模型，得到所述推荐模型输出的所述目标历史工单的标识；
182.根据所述目标历史工单的标识，确定所述目标历史工单；
183.其中，所述推荐模型是通过多组第二训练样本训练得到的，每组第二训练样本中包括一个历史工单的样本属性标签、样本客户情感标签和样本目标历史工单的标识。
184.在一种可能的实施方式中，所述接收模块71具体用于：
185.接收来自所述第一客户端的所述工单推荐请求；或者，
186.接收来自第二客户端的所述工单推荐请求，所述第二客户端为生成所述待处理工单的客户端。
187.在一种可能的实施方式中，所述相关信息包括以下至少一项：
188.所述目标历史工单的标识、结构化数据、非结构化数据、客户反馈结果、与所述待处理工单的属性相似度和与所述待处理工单的情感相似度。
189.本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
190.图8为本技术实施例提供的推荐设备的硬件结构示意图，如图8所示，本实施例的推荐设备80包括：处理器81以及存储器82；其中
191.存储器82，用于存储计算机执行指令；
192.处理器81，用于执行存储器存储的计算机执行指令，以实现上述实施例中推荐方法所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
193.可选地，存储器82既可以是独立的，也可以跟处理器81集成在一起。
194.当存储器82独立设置时，该推荐设备还包括总线83，用于连接所述存储器82和处理器81。
195.本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上推荐设备所执行的推荐方法。
196.本技术实施例还可提供一种计算机程序产品，该计算机程序产品可以由处理器执行，在计算机程序产品被执行时，可实现上述任一所示的推荐方法。
197.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，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，所述模块的划分，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，例如多个模块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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
198.上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。
199.应理解，上述处理器可以是中央处理单元(英文：central processing unit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digital signal processor，简称：dsp)、专用集成电路(英文：application specific integrated circuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
200.存储器可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器，还可以为u盘、移动硬盘、只读存储器、磁盘或光盘等。
201.总线可以是工业标准体系结构(industry standard architecture，isa)总线、外部设备互连(peripheral component，pci)总线或扩展工业标准体系结构(extended industry standard architecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本发明附图中的总线并不限定仅有一根总线或一种类型的总线。
202.上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
203.本领域普通技术人员可以理解：实现上述各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，执行包括上述各方法实施例的步骤；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。
204.最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，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，或者对其中部分或者全部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范围。