工单分类方法及装置制造方法及图纸

本发明专利技术提供了一种工单分类方法及装置，所述工单分类方法包括：根据预先生成自定义词库以及停用词库，对所述工单数据进行中文分词以对所述工单数据进行清洗；利用清洗后的工单数据以及预先生成的SVM工单分类模型对所述工单数据进行分类。发明专利技术所提供的工单分类方法可以对新工单自动进行业务分类，减少手工操作避免误判，提高处理效率。

Work order classification method and device

【技术实现步骤摘要】
工单分类方法及装置
本专利技术涉及机器学习
，具体涉及金融行业的客服服务数据分析
，特别是涉及一种工单分类方法及装置。
技术介绍
银行呼叫中心工单是受理客户投诉、了解客户需求、分析决策的数据重要来源。银行业务产品种类繁多、用户体验要求不断提升，银行客服人员在处理客户投诉问题时，需人工根据客户投诉原因、问题描述、业务办理渠道等分析判断工单所属分类，填写工单基本信息，受理一份工单效率不高，客户等待时间长体验差，容易造成投诉升级。同时，银行繁杂的业务分类，客户投诉原因的五花八门，经常出现客服人员分析判断不准确、类型对应不符等问题。
技术实现思路
针对现有技术中的问题，本专利技术所提供的工单分类方法及装置，通过机器学习中的多分类的方法，对工单数据的历史数据进行分析，并创建一个问题自动分类的模型，该模型可以对新工单自动进行业务分类，减少手工操作避免误判，提高处理效率。为解决上述技术问题，本专利技术提供以下技术方案：第一方面，本专利技术提供一种工单分类方法，包括：根据预先生成自定义词库以及停用词库，对所述工单数据进行中文分词以对所述工单数据进行清洗；利用清洗后的工单数据以及预先生成的SVM工单分类模型对所述工单数据进行分类。优选地，生成所述SVM工单分类模型的步骤，包括：利用分词工具，对清洗后的工单数据进行文本属性转换，以生成所述工单数据对应的特征向量；利用线性判断分析方法对所述特征向量进行降维；利用SVM方法，根据降维后的特征向量训练初始SVM工单分类模型，以生成所述SVM工单分类模型。优选地，生成自定义词库以及停用词库的步骤，包括：根据所述工单数据使用场景生成所述自定义词库以及所述停用词库；所述停用词库用于屏蔽常用词汇的歧义。优选地，生成所述SVM工单分类模型还包括：对所述工单数据的类型进行划分，以生成分类结果；所述分类结果用于训练所述初始SVM工单分类模型；所述分类结果包括：服务投诉、信用问题、状态异常、审批、疑义交易、身份验证、营销相关、对账服务以及表扬建议。第二方面，本专利技术提供一种工单分类装置，该装置包括：工单清洗单元，用于根据预先生成自定义词库以及停用词库，对所述工单数据进行中文分词以对所述工单数据进行清洗；工单分类单元，用于利用清洗后的工单数据以及预先生成的SVM工单分类模型对所述工单数据进行分类。优选地，工单分类装置还包括：模型生成单元，用于生成所述SVM工单分类模型，包括：向量生成模块，用于利用分词工具，对清洗后的工单数据进行文本属性转换，以生成所述工单数据对应的特征向量；向量降维模块，用于利用线性判断分析方法对所述特征向量进行降维；模型生成模块，用于利用SVM方法，根据降维后的特征向量训练初始SVM工单分类模型，以生成所述SVM工单分类模型。优选地，所述工单清洗单元包括：词库生成模块，用于根据所述工单数据使用场景生成所述自定义词库以及所述停用词库；所述停用词库用于屏蔽常用词汇的歧义。优选地，模型生成单元还包括：分类结果生成模块，用于对所述工单数据的类型进行划分，以生成分类结果；所述分类结果用于训练所述初始SVM工单分类模型；所述分类结果包括：服务投诉、信用问题、状态异常、审批、疑义交易、身份验证、营销相关、对账服务以及表扬建议。第三方面，本专利技术提供一种电子设备，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，处理器执行程序时实现工单分类方法的步骤。第四方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现工单分类方法的步骤。从上述描述可知，本专利技术实施例提供的工单分类方法及装置，首先在客户投诉的问题分析的基础上，总结出客户问题的关键信息，并通过机器学习的方法对这些数据进行清洗、文本属性转换、特征选择、特征降维，以此进行模型的创建，从而实现对问题(工单)进行分类。综上所述，本专利技术提出的方法，可以根据用户的投诉内容，快速对新的工单推荐出业务分类，缩短工单受理时间，提升客户体验，避免客户投诉升级。解决了处理流程长、无法参考历史数据的问题。附图说明为了更清楚地说明本专利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简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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。图1为本专利技术的实施例中工单分类方法流程示意图一；图2为本专利技术的实施例中工单分类方法流程示意图二；图3为本专利技术的实施例中工单分类方法步骤300的流程示意图；图4为本专利技术的实施例中工单分类方法流程示意图三；图5为本专利技术的实施例中工单分类方法步骤400的流程示意图；图6为本专利技术的实施例中工单分类方法流程示意图四；图7为本专利技术的具体应用实例中工单分类方法的流程示意图；图8为本专利技术的具体应用实例中工单分类方法的思维导图；图9为本专利技术的具体应用实例中工单分类装置的结构示意图一；图10为本专利技术的具体应用实例中工单分类装置的结构示意图二；图11为本专利技术的具体应用实例中工单清洗单元结构示意图；图12为本专利技术的具体应用实例中模型生成单元结构示意图；图13为本专利技术的实施例中的电子设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。本专利技术的实施例提供一种工单分类方法的具体实施方式，参见图1，该方法具体包括如下内容：步骤100：根据预先生成自定义词库以及停用词库，对所述工单数据进行中文分词以对所述工单数据进行清洗。具体地，首先从后台系统获取历史的投诉问题数据，接着，制定符合工单业务场景的分词词库，模型使用Jieba库进行通用中文分词，但是在一些场景下还需要进行自定义词库的定义，Jieba分词可以引用自定义词库，分词时会首先寻找自定义词库中的分词内容。步骤200：利用清洗后的工单数据以及预先生成的SVM工单分类模型对所述工单数据进行分类。从上述描述可知，本专利技术实施例提供的工单分类方法，首先在客户投诉的问题分析的基础上，总结出客户问题的关键信息，并通过机器学习的方法对这些数据进行清洗、文本属性转换、特征选择、特征降维，以此进行模型的创建，从而实现对问题(工单)进行分类。综上所述，本专利技术提出的方法，可以根据用户的投诉内容，快速对新的工单推荐出业务分类，缩短工单受理时间，提升客户体验，避免客户投诉升级。解决了处理流程长、无本文档来自技高网...

【技术保护点】
1.一种工单分类方法，其特征在于，包括：/n根据预先生成自定义词库以及停用词库，对所述工单数据进行中文分词以对所述工单数据进行清洗；/n利用清洗后的工单数据以及预先生成的SVM工单分类模型对所述工单数据进行分类。/n

【技术特征摘要】
1.一种工单分类方法，其特征在于，包括：
根据预先生成自定义词库以及停用词库，对所述工单数据进行中文分词以对所述工单数据进行清洗；
利用清洗后的工单数据以及预先生成的SVM工单分类模型对所述工单数据进行分类。


2.根据权利要求1所述的工单分类方法，其特征在于，生成所述SVM工单分类模型的步骤，包括：
利用分词工具，对清洗后的工单数据进行文本属性转换，以生成所述工单数据对应的特征向量；
利用线性判断分析方法对所述特征向量进行降维；
利用SVM方法，根据降维后的特征向量训练初始SVM工单分类模型，以生成所述SVM工单分类模型。


3.根据权利要求1所述的工单分类方法，其特征在于，生成自定义词库以及停用词库的步骤，包括：
根据所述工单数据使用场景生成所述自定义词库以及所述停用词库；
所述停用词库用于屏蔽常用词汇的歧义。


4.根据权利要求2所述的工单分类方法，其特征在于，生成所述SVM工单分类模型还包括：
对所述工单数据的类型进行划分，以生成分类结果；所述分类结果用于训练所述初始SVM工单分类模型；
所述分类结果包括：服务投诉、信用问题、状态异常、审批、疑义交易、身份验证、营销相关、对账服务以及表扬建议。


5.一种工单分类装置，其特征在于，包括：
工单清洗单元，用于根据预先生成自定义词库以及停用词库，对所述工单数据进行中文分词以对所述工单数据进行清洗；
工单分类单元，用于利用清洗后的工单数据以及预先生成的SVM工单分...

【专利技术属性】
技术研发人员：姜开超，李雪，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：北京;11