工单处理方法、装置、电子设备和计算机可读介质制造方法及图纸

本公开的实施例公开了工单处理方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：响应于接收到工单派发任务，生成工单派发任务对应的待派发工单；通过预先训练的层级多标签预测模型包括的工单特征提取模型，对待派发工单进行特征提取；通过层级多标签预测模型包括的工单标签特征提取模型，对工单标签集合中的工单标签进行级联关系提取；通过层级多标签预测模型包括的互相关关系识别模型，确定工单标签特征集合中的工单标签特征和工单文本特征之间的依赖关系；通过层级多标签预测模型包括的预测模型和依赖关系信息集合，确定待派发工单对应的工单标签信息。该实施方式提高了工单标签分类准确性和工单派发准确性。派发准确性。派发准确性。

【技术实现步骤摘要】
工单处理方法、装置、电子设备和计算机可读介质


[0001]本公开的实施例涉及计算机
，具体涉及工单处理方法、装置、电子设备和计算机可读介质。

技术介绍

[0002]工单处理是指将待派发工单及时转发至相应部门或人员的一种技术手段。目前，在进行工单处理时，通常采用的方式为：创建多个机器学习模型，来确定待派发工单对应的多个工单标签，以根据工单标签将待派发工单转发至对应的部门或人员。
[0003]然而，专利技术人发现，当采用上述方式时，经常会存在如下技术问题：第一，由于工单标签之间往往存在关联关系，采用多个独立的机器学习模型，难以提取到工单标签之间的关联关系，从而影响工单标签分类的准确性；第二，创建多个机器学习模型，模型的数量、以及模型对应的参数量大，当模型进行工单标签分类不准确时，易导致工单的错误传导，从而影响工单的派发准确率；第三，不同工单的急迫性不同，采用按时序进行工单依次处理的方式，工单处理的有效性较低。
[0004]该
技术介绍
部分中所公开的以上信息仅用于增强对本专利技术构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0005]本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
[0006]本公开的一些实施例提出了基于层级特征表征的工单处理方法、装置、电子设备和计算机可读介质，来解决以上
技术介绍
部分提到的技术问题中的一项或多项。具体的，通过层级多标签预测模型包括的工单标签特征提取模型（图神经网络模型）实现对工单标签的层级特征的提取，以得到工单标签特征。此外，还通过层级多标签预测模型包括的工单特征提取模型对待派发工单进行相应的层级特征提取，以得到工单文本特征。通过此种方式实现了对工单标签和工单的层次性的特征的有效提取。
[0007]第一方面，本公开的一些实施例提供了一种工单处理方法，该方法包括：响应于接收到工单派发任务，生成上述工单派发任务对应的待派发工单；通过预先训练的层级多标签预测模型包括的工单特征提取模型，对上述待派发工单进行特征提取，以生成工单文本特征；通过上述层级多标签预测模型包括的工单标签特征提取模型，对工单标签集合中的工单标签进行级联关系提取，得到工单标签特征集合；通过上述层级多标签预测模型包括的互相关关系识别模型，确定上述工单标签特征集合中的工单标签特征和上述工单文本特征之间的依赖关系，得到依赖关系信息集合；通过上述层级多标签预测模型包括的预测模型和上述依赖关系信息集合，确定上述待派发工单对应的工单标签信息。
[0008]第二方面，本公开的一些实施例提供了一种工单处理装置，装置包括：生成单元，被配置成响应于接收到工单派发任务，生成上述工单派发任务对应的待派发工单；特征提取单元，被配置成通过预先训练的层级多标签预测模型包括的工单特征提取模型，对上述待派发工单进行特征提取，以生成工单文本特征；级联关系提取单元，被配置成通过上述层级多标签预测模型包括的工单标签特征提取模型，对工单标签集合中的工单标签进行级联关系提取，得到工单标签特征集合；第一确定单元，被配置成通过上述层级多标签预测模型包括的互相关关系识别模型，确定上述工单标签特征集合中的工单标签特征和上述工单文本特征之间的依赖关系，得到依赖关系信息集合；第二确定单元，被配置成通过上述层级多标签预测模型包括的预测模型和上述依赖关系信息集合，确定上述待派发工单对应的工单标签信息。
[0009]第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
[0010]第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
[0011]本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的工单处理方法，提高了工单标签分类的准确性和派发准确率。具体来说，造成工单标签分类的准确性和派发准确率较低的原因在于：第一，由于工单标签之间往往存在关联关系，采用多个独立的机器学习模型，难以提取到工单标签之间的关联关系，从而影响工单标签分类的准确性；第二，创建多个机器学习模型，模型的数量、以及模型对应的参数量大，当模型进行工单标签分类不准确时，易导致工单的错误传导，从而影响工单的派发准确率。基于此，本公开的一些实施例的工单处理方法，首先，响应于接收到工单派发任务，生成上述工单派发任务对应的待派发工单。其次，通过预先训练的层级多标签预测模型包括的工单特征提取模型，对上述待派发工单进行特征提取，以生成工单文本特征。以此实现对待派发工单的整体语义识别和表征。接着，通过上述层级多标签预测模型包括的工单标签特征提取模型，对工单标签集合中的工单标签进行级联关系提取，得到工单标签特征集合。实践中，工单标签往往非独立存在，而是工单标签之间存在级联关系。因此通过对工单标签进行级联关系提取，能够在当个工单标签的基础上，得到与该工单标签存在级联关系的工单标签的结构特征。进一步，通过上述层级多标签预测模型包括的互相关关系识别模型，确定上述工单标签特征集合中的工单标签特征和上述工单文本特征之间的依赖关系，得到依赖关系信息集合。实践中，待派发工单往往对应众多工单标签中的部分工单标签，因此，通过确定依赖关系可以实现待派发工单和工单标签之间的互相关。最后，通过上述层级多标签预测模型包括的预测模型和上述依赖关系信息集合，确定上述待派发工单对应的工单标签信息。通过此种方式，可以有效地识别到待派发工单对应的工单标签之间的关联关系，提高了工单标签分类的准确性。同时，无需设置多个机器学习模型来逐一预测待派发工单对应的工单标签，降低了模型的参数数量以及模型的维护成本。此外，由于采用一个层级多标签预测模型进行工单标签的预测。避免了因多个独立模型中存在模型进行工单标签分类不准确时，所导致工单的错误传导问题。
附图说明
[0012]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
[0013]图1是根据本公开的工单处理方法的一些实施例的流程图；图2是层级多标签预测模型的模型结构示意图；图3是多个工单标签之间的结构示意图；图4是互相关关系识别模型的模型结构示意图；图5是根据本公开的工单处理装置的一些实施例的结构示意图；图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
[0014]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工单处理方法，包括：响应于接收到工单派发任务，生成所述工单派发任务对应的待派发工单；通过预先训练的层级多标签预测模型包括的工单特征提取模型，对所述待派发工单进行特征提取，以生成工单文本特征；通过所述层级多标签预测模型包括的工单标签特征提取模型，对工单标签集合中的工单标签进行级联关系提取，得到工单标签特征集合；通过所述层级多标签预测模型包括的互相关关系识别模型，确定所述工单标签特征集合中的工单标签特征和所述工单文本特征之间的依赖关系，得到依赖关系信息集合；通过所述层级多标签预测模型包括的预测模型和所述依赖关系信息集合，确定所述待派发工单对应的工单标签信息。2.根据权利要求1所述的方法，其中，所述方法还包括：确定所述工单标签信息对应的工单标签特征，作为目标工单标签特征；对所述工单文本特征和所述目标工单标签特征进行特征融合，作为第一融合后特征；确定工单处理队列中、工单状态为未工单完结状态的工单，作为候选工单信息，得到候选工单信息集合，其中，所述候选工单信息集合中的候选工单信息包括：候选工单文本特征和候选工单标签特征；对于所述候选工单信息集合中的每个候选工单信息，执行以下处理步骤：对所述候选工单信息包括的候选工单文本特征和候选工单标签特征进行特征融合，得到第二融合后特征；确定所述第一融合后特征和所述第二融合后特征的特征相似度，作为工单相似度；从所述候选工单信息集合中筛选出对应的工单相似度满足筛选条件的候选工单信息，作为目标工单信息；对所述目标工单信息对应的工单和所述待派发工单进行工单合并，得到合并后工单。3.根据权利要求2所述的方法，其中，所述方法还包括：确定所述合并后工单的工单处理优先级；根据所述工单处理优先级，确定所述合并后工单在所述工单处理队列中的插入位置，得到第一位置；确定所述目标工单信息对应的工单，在所述工单处理队列中的位置，得到第二位置；响应于确定所述第一位置小于所述第二位置，将所述第一位置确定为待插入位置；响应于确定所述第一位置大于等于所述第二位置，将所述第二位置确定为待插入位置；将所述合并后工单插入所述工单处理队列中的待插入位置；响应于确定所述合并后工单位于所述工单处理队列的首位置，确定所述合并后工单对应的工单接收端信息；将所述合并后工单发送至所述工单接收端信息对应的工单接收端。4.根据权利要求3所述的方法，其中，所述通过所述层级多标签预测模型包括的工单标签特征提取模型，对工单标签集合中的工单标签进行级联关系提取，得到工单标签特征集合，包括：将所述工单标签集合中的工单标签作为图节点，确定所述工单标签集合对应的层级关
系，得到图网络，其中，所述图网络包括所述工单标签集合对应的多个图节点；对于所述图网络中的每个图节点，通过所述工单标签特征提取模型对所述图节点进行...

【专利技术属性】
技术研发人员：张聪聪，孙华东，孙建超，张子健，穆一鸣，谷雨明，
申请(专利权)人：中关村科学城城市大脑股份有限公司，
类型：发明
国别省市：