一种用户问题分发方法及装置与流程

1.本发明涉及自然语言处理及人工智能技术领域，尤其涉及一种用户问题分发方法及装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.近年来银行业务不断创新发展，覆盖的领域越来越多，业务逻辑错综复杂，交易渠道和交易类型也繁复众多。业务人员对复杂的业务、概念、交易中出现的问题无法解决时，往往会在维护群或工单系统中向开发人员咨询。
4.现有技术的一种工单系统问题分发方案是，由维护人员转发至负责人，但是增加人工成本，处理效率较低，客户体验较差；现有技术的另一种工单系统问题分发方案是，对问题分词后直接计算相似度，定位到该问题的负责人并转发，但是问题定位的准确率较低。


技术实现要素：

5.本发明实施例提供一种用户问题分发方法，用以减少人工成本，提高问题处理效率，提高问题定位的准确率，该方法包括：
6.接收用户问题，按照预设表格结构，将用户问题分为多个字段；其中，用户问题的多个字段包括：问题所属产品字段、问题报错信息字段、问题描述字段；
7.将问题所属产品字段输入词向量输出模型，得到问题所属产品字段的词向量，将问题报错信息字段输入词向量输出模型，得到问题报错信息字段的词向量；所述词向量输出模型根据历史问题所属产品和对应的历史问题所属产品词向量、历史问题报错信息和对应的历史问题报错信息词向量，对c-bow模型进行训练得到；
8.将问题描述字段输入句向量输出模型，得到问题描述字段的句向量；所述句向量输出模型根据历史问题描述和对应的历史问题描述句向量，对c-bow模型进行训练得到；
9.查询产品负责人信息表，所述产品负责人信息表包括多个产品负责人信息，其中每一产品负责人信息包括产品负责人标识、所负责产品、所负责产品报错信息、所负责产品已处理问题描述；
10.将问题所属产品字段的词向量与每一产品负责人所负责产品的词向量，进行相似度计算，得到每一产品负责人对应的第一相似度；
11.将问题报错信息字段的词向量与每一产品负责人所负责产品报错信息的词向量，进行相似度计算，得到每一产品负责人对应的第二相似度；
12.将问题描述字段的句向量与每一产品负责人所负责产品已处理问题描述的句向量，进行相似度计算，得到每一产品负责人对应的第三相似度；
13.将每一产品负责人对应的第一相似度、第二相似度、及第三相似度进行加权聚合，确定每一产品负责人与用户问题的相似度；
14.根据每一产品负责人与用户问题的相似度，将用户问题推送给相应的产品负责人。
15.本发明实施例还提供一种用户问题分发装置，用以减少人工成本，提高问题处理效率，提高问题定位的准确率，该装置包括：
16.接收模块，用于接收用户问题，按照预设表格结构，将用户问题分为多个字段；其中，用户问题的多个字段包括：问题所属产品字段、问题报错信息字段、问题描述字段；
17.第一输入模块，用于将问题所属产品字段输入词向量输出模型，得到问题所属产品字段的词向量，将问题报错信息字段输入词向量输出模型，得到问题报错信息字段的词向量；所述词向量输出模型根据历史问题所属产品和对应的历史问题所属产品词向量、历史问题报错信息和对应的历史问题报错信息词向量，对c-bow模型进行训练得到；
18.第二输入模块，用于将问题描述字段输入句向量输出模型，得到问题描述字段的句向量；所述句向量输出模型根据历史问题描述和对应的历史问题描述句向量，对c-bow模型进行训练得到；
19.查询模块，用于查询产品负责人信息表，所述产品负责人信息表包括多个产品负责人信息，其中每一产品负责人信息包括产品负责人标识、所负责产品、所负责产品报错信息、所负责产品已处理问题描述；
20.计算模块，用于将问题所属产品字段的词向量与每一产品负责人所负责产品的词向量，进行相似度计算，得到每一产品负责人对应的第一相似度；将问题报错信息字段的词向量与每一产品负责人所负责产品报错信息的词向量，进行相似度计算，得到每一产品负责人对应的第二相似度；将问题描述字段的句向量与每一产品负责人所负责产品已处理问题描述的句向量，进行相似度计算，得到每一产品负责人对应的第三相似度；
21.确定模块，用于将每一产品负责人对应的第一相似度、第二相似度、及第三相似度进行加权聚合，确定每一产品负责人与用户问题的相似度；
22.推送模块，用于根据每一产品负责人与用户问题的相似度，将用户问题推送给相应的产品负责人。
23.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述用户问题分发方法。
24.本发明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存储有计算机程序，所述计算机程序被处理器执行时实现上述用户问题分发方法。
25.本发明实施例还提供一种计算机程序产品，所述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上述用户问题分发方法。
26.本发明实施例中，接收用户问题，按照预设表格结构，将用户问题分为多个字段；其中，用户问题的多个字段包括：问题所属产品字段、问题报错信息字段、问题描述字段；将问题所属产品字段输入词向量输出模型，得到问题所属产品字段的词向量，将问题报错信息字段输入词向量输出模型，得到问题报错信息字段的词向量；所述词向量输出模型根据历史问题所属产品和对应的历史问题所属产品词向量、历史问题报错信息和对应的历史问题报错信息词向量，对c-bow模型进行训练得到；将问题描述字段输入句向量输出模型，得到问题描述字段的句向量；所述句向量输出模型根据历史问题描述和对应的历史问题描述
句向量，对c-bow模型进行训练得到；查询产品负责人信息表，所述产品负责人信息表包括多个产品负责人信息，其中每一产品负责人信息包括产品负责人标识、所负责产品、所负责产品报错信息、所负责产品已处理问题描述；将问题所属产品字段的词向量与每一产品负责人所负责产品的词向量，进行相似度计算，得到每一产品负责人对应的第一相似度；将问题报错信息字段的词向量与每一产品负责人所负责产品报错信息的词向量，进行相似度计算，得到每一产品负责人对应的第二相似度；将问题描述字段的句向量与每一产品负责人所负责产品已处理问题描述的句向量，进行相似度计算，得到每一产品负责人对应的第三相似度；将每一产品负责人对应的第一相似度、第二相似度、及第三相似度进行加权聚合，确定每一产品负责人与用户问题的相似度；根据每一产品负责人与用户问题的相似度，将用户问题推送给相应的产品负责人。与现有技术中的技术方案相比，将用户问题的多个字段分别输入词向量输出模型和句向量输出模型，分别对得到的问题所属产品字段的词向量、问题报错信息字段的词向量、及问题描述字段的句向量进行相似度计算，而不是对问题分词后直接计算相似度，能够提高问题定位的准确率；再根据每一产品负责人与用户问题的相似度，将问题推送给产品负责人，不需要人工进行转发，减少人工成本，提高问题处理效率。
附图说明
27.为了更清楚地说明本发明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简单地介绍，显而易见地，下面描述中的附图仅仅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。在附图中：
28.图1为本发明实施例中提供的用户问题分发方法的流程示意图；
29.图2为本发明实施例中提供的词向量输出模型进行训练与测试的一具体实例图；
30.图3为本发明实施例中提供的利用c-bow模型构建词向量输出模型的一具体实例图；
31.图4为本发明实施例中提供的利用c-bow模型构建词向量输出模型的一具体实例图；
32.图5为本发明实施例中提供的句向量输出模型进行训练与测试的一具体实例图；
33.图6为本发明实施例中提供的利用c-bow模型构建句向量输出模型的一具体实例图；
34.图7为本发明实施例中提供的用户问题分发装置的结构示意图；
35.图8为本发明实施例中提供的用户问题分发装置的一具体实例图；
36.图9为本发明实施例中提供的用户问题分发装置的一具体实例图。
具体实施方式
37.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
38.本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关
规定。
39.在介绍本发明实施例之前，首先对本发明实施例涉及的名词进行介绍。
40.1.c-bow模型
41.连续词袋模型(continuous bag-of-words model，c-bow模型)，是已知当前词的上下文，来预测当前词的神经网络模型。
42.经研究发现，近年来银行业务不断创新发展，覆盖的领域越来越多，业务逻辑错综复杂，交易渠道和交易类型也繁复众多。银行业务人员对复杂的业务和概念、用户交易中出现的问题，在用他们已有的知识无法解决问题时，往往会在维护群或工单系统中向银行开发人员咨询，但是工单系统往往是由系统维护人员向银行开发人员一层层的转发，增加人工成本，处理效率较低，客户体验较差；有时还会出现转发到的银行开发人员并不负责转发的问题，问题定位的准确率较低，降低问题处理效率。现有技术的一种工单系统问题分发方案是，由维护人员转发至负责人，但是增加人工成本，处理效率较低，客户体验较差；现有技术的另一种工单系统问题分发方案是，对问题分词后直接计算相似度，定位到该问题的负责人并转发，但是问题定位的准确率较低。
43.针对上述研究，本发明实施例提供了一种用户问题分发方法，图1为本发明实施例中提供的用户问题分发方法的流程示意图，如图1所示，该方法包括如下步骤：
44.步骤101：接收用户问题，按照预设表格结构，将用户问题分为多个字段；其中，用户问题的多个字段包括：问题所属产品字段、问题报错信息字段、问题描述字段；
45.步骤102：将问题所属产品字段输入词向量输出模型，得到问题所属产品字段的词向量，将问题报错信息字段输入词向量输出模型，得到问题报错信息字段的词向量；所述词向量输出模型根据历史问题所属产品和对应的历史问题所属产品词向量、历史问题报错信息和对应的历史问题报错信息词向量，对c-bow模型进行训练得到；
46.步骤103：将问题描述字段输入句向量输出模型，得到问题描述字段的句向量；所述句向量输出模型根据历史问题描述和对应的历史问题描述句向量，对c-bow模型进行训练得到；
47.步骤104：查询产品负责人信息表，所述产品负责人信息表包括多个产品负责人信息，其中每一产品负责人信息包括产品负责人标识、所负责产品、所负责产品报错信息、所负责产品已处理问题描述；
48.步骤105：将问题所属产品字段的词向量与每一产品负责人所负责产品的词向量，进行相似度计算，得到每一产品负责人对应的第一相似度；
49.步骤106：将问题报错信息字段的词向量与每一产品负责人所负责产品报错信息的词向量，进行相似度计算，得到每一产品负责人对应的第二相似度；
50.步骤107：将问题描述字段的句向量与每一产品负责人所负责产品已处理问题描述的句向量，进行相似度计算，得到每一产品负责人对应的第三相似度；
51.步骤108：将每一产品负责人对应的第一相似度、第二相似度、及第三相似度进行加权聚合，确定每一产品负责人与用户问题的相似度；
52.步骤109：根据每一产品负责人与用户问题的相似度，将用户问题推送给相应的产品负责人。
53.由图1所示流程可知，本发明实施例中，接收用户问题，按照预设表格结构，将用户
问题分为多个字段；其中，用户问题的多个字段包括：问题所属产品字段、问题报错信息字段、问题描述字段；将问题所属产品字段输入词向量输出模型，得到问题所属产品字段的词向量，将问题报错信息字段输入词向量输出模型，得到问题报错信息字段的词向量；所述词向量输出模型根据历史问题所属产品和对应的历史问题所属产品词向量、历史问题报错信息和对应的历史问题报错信息词向量，对c-bow模型进行训练得到；将问题描述字段输入句向量输出模型，得到问题描述字段的句向量；所述句向量输出模型根据历史问题描述和对应的历史问题描述句向量，对c-bow模型进行训练得到；查询产品负责人信息表，所述产品负责人信息表包括多个产品负责人信息，其中每一产品负责人信息包括产品负责人标识、所负责产品、所负责产品报错信息、所负责产品已处理问题描述；将问题所属产品字段的词向量与每一产品负责人所负责产品的词向量，进行相似度计算，得到每一产品负责人对应的第一相似度；将问题报错信息字段的词向量与每一产品负责人所负责产品报错信息的词向量，进行相似度计算，得到每一产品负责人对应的第二相似度；将问题描述字段的句向量与每一产品负责人所负责产品已处理问题描述的句向量，进行相似度计算，得到每一产品负责人对应的第三相似度；将每一产品负责人对应的第一相似度、第二相似度、及第三相似度进行加权聚合，确定每一产品负责人与用户问题的相似度；根据每一产品负责人与用户问题的相似度，将用户问题推送给相应的产品负责人。与现有技术中的技术方案相比，将用户问题的多个字段分别输入词向量输出模型和句向量输出模型，分别对得到的问题所属产品字段的词向量、问题报错信息字段的词向量、及问题描述字段的句向量进行相似度计算，而不是对问题分词后直接计算相似度，能够提高问题定位的准确率；再根据每一产品负责人与用户问题的相似度，将问题推送给产品负责人，不需要人工进行转发，减少人工成本，提高问题处理效率。
54.下面对上述步骤101至步骤109的执行过程加以详细介绍。
55.针对上述步骤101，接收用户问题，按照预设表格结构，将用户问题分为多个字段；其中，用户问题的多个字段例如可以包括：问题所属产品字段、问题报错信息字段、问题描述字段。
56.具体的，例如可以按照如表1所示表格结构，将用户问题分为多个字段，如按照字段编号与字段解释相对应的格式；其中，用户问题的字段1例如可以对应工单标识字段、用户问题的字段2例如可以对应问题所属产品字段、用户问题的字段3例如可以对应问题报错信息字段、用户问题的字段4例如可以对应问题描述字段。
57.表1
58.字段编号字段解释字段1工单标识字段2问题所属产品字段3问题报错信息字段4问题描述
59.针对上述步骤102，将问题所属产品字段输入词向量输出模型，得到问题所属产品字段的词向量，将问题报错信息字段输入词向量输出模型，得到问题报错信息字段的词向量；所述词向量输出模型根据历史问题所属产品和对应的历史问题所属产品词向量、历史问题报错信息和对应的历史问题报错信息词向量，对c-bow模型进行训练得到。
60.图2为本发明实施例中提供的词向量输出模型进行训练与测试的一具体实例图，如图2所示，本发明实施例中在将问题所属产品字段输入词向量输出模型之前进行训练与测试的流程可以包括：
61.步骤201：将历史问题所属产品和对应的历史问题所属产品词向量、历史问题报错信息和对应的历史问题报错信息词向量作为样本数据，形成第一训练数据集；
62.步骤202：利用c-bow模型构建词向量输出模型；
63.步骤203：利用词向量输出模型，预测样本数据中历史问题所属产品的词向量，预测样本数据中历史问题报错信息的词向量；
64.步骤204：利用随机梯度下降算法，对词向量输出模型参数进行优化，直至预测的历史问题所属产品的词向量与样本数据中对应的历史问题所属产品的词向量的差异值小于第一设定值，且预测的历史问题报错信息的词向量与样本数据中对应的历史问题报错信息的词向量的差异值小于第二设定值，得到训练好的词向量输出模型。
65.在一个实施例中，将问题所属产品字段输入词向量输出模型之前，例如还可以包括：将历史问题所属产品和对应的历史问题所属产品词向量、历史问题报错信息和对应的历史问题报错信息词向量作为样本数据，形成第一训练数据集；利用c-bow模型构建词向量输出模型；根据第一训练数据集对词向量输出模型进行训练，对词向量输出模型参数进行优化，得到训练好的词向量输出模型。
66.图3为本发明实施例中提供的利用c-bow模型构建词向量输出模型的一具体实例图，如图3所示，本例中，词向量输出模型例如可以包括输入层、预测层、输出层。其中，w(i-2)w(i-1)w(i)w(i 1)w(i 2)为一个字符串，该词向量输出模型根据输入层的w(i-2)、w(i-1)、w(i 1)、w(i 2)，通过预测层，来确定输出层的w(i)出现的概率，出现概率最高的位置即w(i)的向量。
67.在一个实施例中，词向量输出模型参数例如可以包括如下参数其中之一或任意组合：降维后的词向量维数、输入权重矩阵、输出权重矩阵、softmax函数的参数。
68.在一个实施例中，根据第一训练数据集对词向量输出模型进行训练，对词向量输出模型参数进行优化，得到训练好的词向量输出模型，例如可以包括：利用词向量输出模型，预测样本数据中历史问题所属产品的词向量，预测样本数据中历史问题报错信息的词向量；利用随机梯度下降算法，对词向量输出模型参数进行优化，直至预测的历史问题所属产品的词向量与样本数据中对应的历史问题所属产品的词向量的差异值小于第一设定值，且预测的历史问题报错信息的词向量与样本数据中对应的历史问题报错信息的词向量的差异值小于第二设定值，得到训练好的词向量输出模型。
69.具体的，对词向量输出模型进行训练，对词向量输出模型参数进行优化，得到训练好的词向量输出模型例如可以按照如下方式进行训练与测试。
70.对多个字段进行上下文词的one-hot(一位有效)编码；
71.将所有字段的one-hot编码和输入权重矩阵w(输入权重矩阵w初始化为n
×
v的矩阵，其中，n表示降维后的向量空间维数，v表示词典向量空间维数，词典为样本数据中所有问题所属产品字段及所有问题报错信息字段)相乘，将得到的矩阵相加求平均作为隐藏层向量；
72.将隐藏层向量与输出权重矩阵q(初始化为v
×
n的矩阵)相乘得到中心词向量，用
softmax函数(归一化指数函数，给定一个初始参数)预测中心词向量的概率；
73.不断迭代，概率最大的那个位置，即预测出的样本数据中历史问题所属产品的词向量、及预测出的样本数据中历史问题报错信息的词向量；利用随机梯度下降算法，将预测的历史问题所属产品的词向量与样本数据中对应的历史问题所属产品的词向量进行比对，将预测的历史问题报错信息的词向量与样本数据中对应的历史问题报错信息的词向量进行比对；直至预测的历史问题所属产品的词向量与样本数据中对应的历史问题所属产品的词向量的差异值小于第一设定值，且预测的历史问题报错信息的词向量与样本数据中对应的历史问题报错信息的词向量的差异值小于第二设定值，得到训练好的词向量输出模型。
74.下面给出具体实例详述对词向量输出模型进行训练，对词向量输出模型参数进行优化，得到训练好的词向量输出模型的具体步骤。图4为本发明实施例中提供的利用c-bow模型构建词向量输出模型的一具体实例图，如图4所示，本例中，“限额值上限是多少”这一问题经过分词及停用词处理后，得到多个字段，其中多个字段为“限额”、“值”、“上限”、“是”、“多少”。预设词典由该5个字段组成，设定上下文窗口为2，根据字段“限额”、字段“值”、字段“是”、字段“多少”，来预测字段“上限”。
75.其中，字段“限额”、字段“值”、字段“是”、字段“多少”被映射成词典空间中的位置，即字段的one-hot编码，例如可以是：
76.w(1)＝w(限额)＝(1，0，0，0，0)；
77.w(2)＝w(值)＝(0，1，0，0，0)；
78.w(3)＝w(上限)＝(0，0，1，0，0)；
79.w(4)＝w(是)＝(0，0，0，1，0)；
80.w(5)＝w(多少)＝(0，0，0，0，1)；
81.采用随机方式初始化输入权重矩阵和输出权重矩阵，初始化输入权重矩阵例如可以为：
82.初始化输入权重矩阵
83.初始化输出权重矩阵
84.则
85.则
86.则
87.则
88.则对v1、v2、v4、v5相加求平均得到隐藏层向量：
[0089][0090]
将得到的v与初始化输出权重矩阵相乘得到：
[0091][0092]
利用softmax函数预测字段“上限”的词向量的概率为：
[0093][0094]
由此可知，概率最大为4.1，即预测出的字段“上限”的位置为词典向量空间中的第3个位置，即(0，0，1，0，0)。
[0095]
利用词向量输出模型，预测样本数据中历史问题所属产品的词向量，预测样本数据中历史问题报错信息的词向量；利用随机梯度下降算法，对词向量输出模型参数进行优化，直至预测的历史问题所属产品的词向量与样本数据中对应的历史问题所属产品的词向量的差异值小于第一设定值，且预测的历史问题报错信息的词向量与样本数据中对应的历
史问题报错信息的词向量的差异值小于第二设定值，得到训练好的词向量输出模型。
[0096]
针对上述步骤103，将问题描述字段输入句向量输出模型，得到问题描述字段的句向量；所述句向量输出模型根据历史问题描述和对应的历史问题描述句向量，对c-bow模型进行训练得到。
[0097]
图5为本发明实施例中提供的句向量输出模型进行训练与测试的一具体实例图，如图5所示，本发明实施例中在将问题描述字段输入句向量输出模型之前进行训练与测试的流程可以包括：
[0098]
步骤501：将历史问题描述进行分词，得到分词后的历史问题描述和历史问题描述的唯一标识；
[0099]
步骤502：将分词后的历史问题描述、历史问题描述的唯一标识、对应的历史问题描述句向量作为样本数据，形成第二训练数据集；
[0100]
步骤503：利用c-bow模型构建句向量输出模型；
[0101]
步骤504：利用句向量输出模型，预测样本数据中历史问题描述的句向量；
[0102]
步骤505：利用随机梯度下降算法，对句向量输出模型参数进行优化，直至预测的历史问题描述的句向量与样本数据中对应的历史问题描述句向量的差异值小于第三设定值，得到训练好的句向量输出模型。
[0103]
在一个实施例中，将问题描述字段输入句向量输出模型之前，例如还可以包括：获取历史问题描述和对应的历史问题描述句向量作为样本数据，形成第二训练数据集；利用c-bow模型构建句向量输出模型；根据第二训练数据集对句向量输出模型进行训练，对句向量输出模型参数进行优化，得到训练好的句向量输出模型。
[0104]
图6为本发明实施例中提供的利用c-bow模型构建句向量输出模型的一具体实例图，如图6所示，本例中，句向量输出模型例如可以包括输入层、预测层、输出层。其中，该句向量输出模型根据输入层的句子标识、w1、w2、w3，通过预测层，来确定输出层的w4出现的概率，出现概率最高的位置即w4的向量；其中，不同句子的句向量是不同的，但是不同句子里相同词的词向量是相同的。
[0105]
在一个实施例中，获取历史问题描述和对应的历史问题描述句向量作为样本数据，形成第二训练数据集，例如可以包括：将历史问题描述进行分词，得到分词后的历史问题描述和历史问题描述的唯一标识；将分词后的历史问题描述、历史问题描述的唯一标识、对应的历史问题描述句向量作为样本数据，形成第二训练数据集。
[0106]
在一个实施例中，根据第二训练数据集对句向量输出模型进行训练，对句向量输出模型参数进行优化，得到训练好的句向量输出模型，例如可以包括：利用句向量输出模型，预测样本数据中历史问题描述的句向量；利用随机梯度下降算法，对句向量输出模型参数进行优化，直至预测的历史问题描述的句向量与样本数据中对应的历史问题描述句向量的差异值小于第三设定值，得到训练好的句向量输出模型。
[0107]
具体的，对句向量输出模型进行训练，对句向量输出模型参数进行优化，得到训练好的句向量输出模型例如可以按照如下方式进行训练与测试。
[0108]
利用训练好的词向量输出模型获得词向量；其中，词向量包括分词后的历史问题描述的词向量、历史问题描述的唯一标识的词向量；利用softmax函数预测样本数据中历史问题描述的概率，利用随机梯度下降算法，对句向量输出模型参数进行优化，直至预测的历
史问题描述的句向量与样本数据中对应的历史问题描述句向量的差异值小于第三设定值，得到训练好的句向量输出模型。
[0109]
下面给出具体实例详述对句向量输出模型进行训练，对句向量输出模型参数进行优化，得到训练好的句向量输出模型的具体步骤。举一例，本例中，预设样本数据中包括n个句子和m个词，那么每个句子会被映射到n维空间，每个词会被映射到m维空间；将n维向量和m维向量组合作为输入层数据，经过输入权重矩阵和输出权重矩阵处理后，利用softmax函数预测本数据中历史问题描述的位置概率；利用随机梯度下降算法，对句向量输出模型参数进行优化，直至预测的历史问题描述的句向量与样本数据中对应的历史问题描述句向量的差异值小于第三设定值，得到训练好的句向量输出模型。
[0110]
针对上述步骤104：查询产品负责人信息表，所述产品负责人信息表包括多个产品负责人信息，其中每一产品负责人信息包括产品负责人标识、所负责产品、所负责产品报错信息、所负责产品已处理问题描述。
[0111]
具体的，所述产品负责人信息表包括多个产品负责人信息，每一产品负责人信息表例如可以按照如表2所示表格结构，将每一产品负责人信息分为多个字段，如按照字段编号与字段解释相对应的格式；其中，每一产品负责人信息的字段1例如可以对应产品负责人标识、每一产品负责人信息的字段2例如可以对应所负责产品、每一产品负责人信息的字段3例如可以对应所负责产品报错信息、每一产品负责人信息的字段4例如可以对应所负责产品已处理问题描述。
[0112]
表2
[0113]
字段编号字段解释字段1产品负责人标识字段2所负责产品字段3所负责产品报错信息字段4所负责产品已处理问题描述
[0114]
针对上述步骤105：将问题所属产品字段的词向量与每一产品负责人所负责产品的词向量，进行相似度计算，得到每一产品负责人对应的第一相似度。
[0115]
具体的，将问题所属产品字段的词向量与每一产品负责人所负责产品的词向量，进行相似度计算，例如可以是：将问题所属产品字段的词向量与每一产品负责人所负责产品的词向量，进行余弦夹角计算。
[0116]
针对上述步骤106：将问题报错信息字段的词向量与每一产品负责人所负责产品报错信息的词向量，进行相似度计算，得到每一产品负责人对应的第二相似度。
[0117]
具体的，将问题报错信息字段的词向量与每一产品负责人所负责产品报错信息的词向量，进行相似度计算，例如可以是：将问题报错信息字段的词向量与每一产品负责人所负责产品报错信息的词向量，进行余弦夹角计算。
[0118]
针对上述步骤107：将问题描述字段的句向量与每一产品负责人所负责产品已处理问题描述的句向量，进行相似度计算，得到每一产品负责人对应的第三相似度。
[0119]
具体的，将问题描述字段的句向量与每一产品负责人所负责产品已处理问题描述的句向量，进行相似度计算，例如可以是，将问题描述字段的句向量与每一产品负责人所负责产品已处理问题描述的句向量，进行余弦夹角计算。
[0120]
针对上述步骤108：将每一产品负责人对应的第一相似度、第二相似度、及第三相似度进行加权聚合，确定每一产品负责人与用户问题的相似度。
[0121]
具体的，在将用户问题推送给相应的产品负责人之前，采用余弦夹角相似度计算方法，从三个维度的相似度通过加权聚合的方式，得到每一产品负责人与用户问题的相似度；其中，三个维度例如可以是问题所属产品与每一产品负责人所负责产品、问题报错信息与每一产品负责人所负责产品报错信息、问题描述字段与每一产品负责人所负责产品已处理问题描述。以三个维度的相似度计算得到每一产品负责人与用户问题的相似度，能够提高问题定位的准确率。
[0122]
针对上述步骤109：根据每一产品负责人与用户问题的相似度，将用户问题推送给相应的产品负责人。
[0123]
具体的，例如可以只将用户问题推送给相似度最高的产品负责人；例如还可以将用户问题同时推送给相似度排前三的产品负责人。
[0124]
在一个实施例中，根据每一产品负责人与用户问题的相似度，将用户问题推送给相应的产品负责人，例如可以包括：按照每一产品负责人与用户问题的相似度由高到底的顺序，对产品负责人进行排序，将用户问题推送给排序最高的产品负责人，若该产品负责人退回用户问题，将用户问题推送给排序次之的产品负责人，以此类推，直至有产品负责人响应用户问题，或退回次数大于设定次数。
[0125]
在一个实施例中，例如还可以构建问答数据库，供维护人员进行问题检索，在面对相同的问题时，能够减少维护人员向开发人员转发问题的工作量，提高问题处理效率。
[0126]
本发明实施例中还提供了一种问题分发装置，如下面的实施例所述。由于该装置解决问题的原理与问题分发方法相似，因此该装置的实施可以参见问题分发方法的实施，重复之处不再赘述。
[0127]
本发明实施例中提供了一种用户问题分发装置，图7为本发明实施例中提供的用户问题分发装置的结构示意图，如图7所示，该装置包括如下模块：
[0128]
接收模块71，用于接收用户问题，按照预设表格结构，将用户问题分为多个字段；其中，用户问题的多个字段包括：问题所属产品字段、问题报错信息字段、问题描述字段；
[0129]
第一输入模块72，用于将问题所属产品字段输入词向量输出模型，得到问题所属产品字段的词向量，将问题报错信息字段输入词向量输出模型，得到问题报错信息字段的词向量；所述词向量输出模型根据历史问题所属产品和对应的历史问题所属产品词向量、历史问题报错信息和对应的历史问题报错信息词向量，对c-bow模型进行训练得到；
[0130]
第二输入模块73，用于将问题描述字段输入句向量输出模型，得到问题描述字段的句向量；所述句向量输出模型根据历史问题描述和对应的历史问题描述句向量，对c-bow模型进行训练得到；
[0131]
查询模块74，用于查询产品负责人信息表，所述产品负责人信息表包括多个产品负责人信息，其中每一产品负责人信息包括产品负责人标识、所负责产品、所负责产品报错信息、所负责产品已处理问题描述；
[0132]
计算模块75，用于将问题所属产品字段的词向量与每一产品负责人所负责产品的词向量，进行相似度计算，得到每一产品负责人对应的第一相似度；将问题报错信息字段的词向量与每一产品负责人所负责产品报错信息的词向量，进行相似度计算，得到每一产品
负责人对应的第二相似度；将问题描述字段的句向量与每一产品负责人所负责产品已处理问题描述的句向量，进行相似度计算，得到每一产品负责人对应的第三相似度；
[0133]
确定模块76，用于将每一产品负责人对应的第一相似度、第二相似度、及第三相似度进行加权聚合，确定每一产品负责人与用户问题的相似度；
[0134]
推送模块77，用于根据每一产品负责人与用户问题的相似度，将用户问题推送给相应的产品负责人。
[0135]
图8为本发明实施例中提供的用户问题分发装置的一具体实例图，如图8所示，该装置还包括：
[0136]
第一训练与测试模块81，用于第一输入模块72将问题所属产品字段输入词向量输出模型之前：
[0137]
将历史问题所属产品和对应的历史问题所属产品词向量、历史问题报错信息和对应的历史问题报错信息词向量作为样本数据，形成第一训练数据集；利用c-bow模型构建词向量输出模型；根据第一训练数据集对词向量输出模型进行训练，对词向量输出模型参数进行优化，得到训练好的词向量输出模型。
[0138]
在一个实施例中，词向量输出模型参数例如可以包括如下参数其中之一或任意组合：降维后的词向量维数、输入权重矩阵、输出权重矩阵、softmax函数的参数。
[0139]
在一个实施例中，第一训练与测试模块81具体用于：利用词向量输出模型，预测样本数据中历史问题所属产品的词向量，预测样本数据中历史问题报错信息的词向量；利用随机梯度下降算法，对词向量输出模型参数进行优化，直至预测的历史问题所属产品的词向量与样本数据中对应的历史问题所属产品的词向量的差异值小于第一设定值，且预测的历史问题报错信息的词向量与样本数据中对应的历史问题报错信息的词向量的差异值小于第二设定值，得到训练好的词向量输出模型。
[0140]
图9为本发明实施例中提供的用户问题分发装置的一具体实例图，如图9所示，该装置还包括：
[0141]
第二训练与测试模块91，用于第二输入模块73将问题描述字段输入句向量输出模型之前：
[0142]
获取历史问题描述和对应的历史问题描述句向量作为样本数据，形成第二训练数据集；利用c-bow模型构建句向量输出模型；根据第二训练数据集对句向量输出模型进行训练，对句向量输出模型参数进行优化，得到训练好的句向量输出模型。
[0143]
在一个实施例中，第二训练与测试模块91具体用于：将历史问题描述进行分词，得到分词后的历史问题描述和历史问题描述的唯一标识；将分词后的历史问题描述、历史问题描述的唯一标识、对应的历史问题描述句向量作为样本数据，形成第二训练数据集。
[0144]
在一个实施例中，第二训练与测试模块91具体用于：利用句向量输出模型，预测样本数据中历史问题描述的句向量；利用随机梯度下降算法，对句向量输出模型参数进行优化，直至预测的历史问题描述的句向量与样本数据中对应的历史问题描述句向量的差异值小于第三设定值，得到训练好的句向量输出模型。
[0145]
在一个实施例中，推送模块77具体用于：按照每一产品负责人与用户问题的相似度由高到底的顺序，对产品负责人进行排序，将用户问题推送给排序最高的产品负责人，若该产品负责人退回用户问题，将用户问题推送给排序次之的产品负责人，以此类推，直至有
产品负责人响应用户问题，或退回次数大于设定次数。
[0146]
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述用户问题分发方法。
[0147]
本发明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存储有计算机程序，所述计算机程序被处理器执行时实现上述用户问题分发方法。
[0148]
本发明实施例还提供一种计算机程序产品，所述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上述用户问题分发方法。
[0149]
本发明实施例中，接收用户问题，按照预设表格结构，将用户问题分为多个字段；其中，用户问题的多个字段包括：问题所属产品字段、问题报错信息字段、问题描述字段；将问题所属产品字段输入词向量输出模型，得到问题所属产品字段的词向量，将问题报错信息字段输入词向量输出模型，得到问题报错信息字段的词向量；所述词向量输出模型根据历史问题所属产品和对应的历史问题所属产品词向量、历史问题报错信息和对应的历史问题报错信息词向量，对c-bow模型进行训练得到；将问题描述字段输入句向量输出模型，得到问题描述字段的句向量；所述句向量输出模型根据历史问题描述和对应的历史问题描述句向量，对c-bow模型进行训练得到；查询产品负责人信息表，所述产品负责人信息表包括多个产品负责人信息，其中每一产品负责人信息包括产品负责人标识、所负责产品、所负责产品报错信息、所负责产品已处理问题描述；将问题所属产品字段的词向量与每一产品负责人所负责产品的词向量进行相似度计算，得到每一产品负责人对应的第一相似度；将问题报错信息字段的词向量与每一产品负责人所负责产品报错信息的词向量，进行相似度计算，得到每一产品负责人对应的第二相似度；将问题描述字段的句向量与每一产品负责人所负责产品已处理问题描述的句向量，进行相似度计算，得到每一产品负责人对应的第三相似度；将每一产品负责人对应的第一相似度、第二相似度、及第三相似度进行加权聚合，确定每一产品负责人与用户问题的相似度；根据每一产品负责人与用户问题的相似度，将用户问题推送给相应的产品负责人。与现有技术中的技术方案相比，将用户问题的多个字段分别输入词向量输出模型和句向量输出模型，分别对得到的问题所属产品字段的词向量、问题报错信息字段的词向量、及问题描述字段的句向量进行相似度计算，而不是对问题分词后直接计算相似度，能够提高问题定位的准确率；再根据每一产品负责人与用户问题的相似度，将问题推送给产品负责人，不需要人工进行转发，减少人工成本，提高问题处理效率。
[0150]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0151]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产
生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0152]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0153]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0154]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。