一种基于深度学习的电力疑似投诉工单识别方法技术

一种基于深度学习的电力疑似投诉工单识别方法，涉及电力客户服务的投诉识别方法。电力疑似投诉工单采用人工识别，效率低下、及时性差且浪费人力资源。本发明专利技术包括以下步骤：1）深度学习模型配置；2）投诉特征标签提炼；3）投诉样本格式化；4）模型学习训练；5）疑似投诉识别；6）疑似投诉分类。本技术方案通过深度学习技术投诉清单进行数据清理排序、投诉倾向词提炼、数据建模调优、样本迭代学习训练、机器学习预测等一系列工作，实现疑似投诉工单深度学习智能识别与分类，提升智能工作体验，提高服务质量管控工作效率。

A method of identifying power suspected complaints based on depth learning

A method of identifying power suspected complaints based on depth learning, which involves the method of complaint identification for power customer service. Power - like complaints are identified by artificial recognition, low efficiency, poor timeliness and waste of human resources. The invention comprises the following steps: 1) deep learning model configuration; 2) refining the complaint feature label; 3) complying the complaint sample formatting; 4) model learning training; 5) identifying suspected complaints; 6) classifying suspected complaints. The technical scheme of data cleaning, sorting, refining the data modeling tendency of complaint word tuning, sample iterative learning training, machine learning prediction and a series of work through deep learning technology to achieve complaint list, suspected complaint orders deep learning intelligent recognition and classification, to enhance the intelligence work experience, improve the service quality control work efficiency.

【技术实现步骤摘要】
一种基于深度学习的电力疑似投诉工单识别方法
本专利技术涉及电力客户服务的投诉识别方法，尤其涉及一种基于深度学习的电力疑似投诉工单识别方法。
技术介绍
从95598来电分析，大量客户虽未直接投诉，或者座席误判非投诉，但是通过咨询、意见和建议等表达对供电服务的不满，若处理不当或不及时，可能升级为客户投诉。如何减少用户的投诉量,提高用户的满意度成为目前供电企业关注的焦点。对投诉的有效分析管理，可以很好地提高客户的满意度和忠诚度，持续对供电业务薄弱点的发现与改进，提升供电企业的服务品质，提升企业形象具有重要且深远的意义。目前，服务提升离不开客户诉求分析，但历来依靠人工检阅数据、手工清理数据进行指标预测等方式已严重跟不上发展需求，效率低下、及时性差且浪费人力资源。全省年话务量高达八百万，中心采用传统抽样录音质检模式，由人工进行逐一重复听取录音，工作效率低下且无法准确、高效地提取客户的投诉点、不满意点等。仅单一疑似投诉质检常态任务年投入3456人小时，而这在未来全面客户诉求挖掘工作比重远不及1%。此外，95598工单中存在一定数量的投诉错派工单，国网营销部不定期下派近三万条工单，要求6日内完成质本文档来自技高网...

【技术保护点】
一种基于深度学习的电力疑似投诉工单识别方法，其特征在于包括以下步骤：1）深度学习模型配置：用于对学习模板涉及的算法参数进行统一配置管理，实现模型参数分项状态监控与动态配置，涉及深度学习模型参数的信息包括模型编号、模型名称、功能业务描述、正则参数、随机数、矩阵行数、矩阵列数、迭代次数、学习速率、模型对象类、神经网络层数；2）投诉特征标签提炼：用于对历史投诉样本工单受理内容经过Word2Vector类处理，结合百度词库进行对工单内容进行格式化分词，通过系统对历史投诉样本机器学习，自动提取投诉特有标签词；同时考虑个别词组之间需要重组，将这些标签词在原有样本工单内容进行系统标注，在人工干预下最后将个别...

【技术特征摘要】
1.一种基于深度学习的电力疑似投诉工单识别方法，其特征在于包括以下步骤：1）深度学习模型配置：用于对学习模板涉及的算法参数进行统一配置管理，实现模型参数分项状态监控与动态配置，涉及深度学习模型参数的信息包括模型编号、模型名称、功能业务描述、正则参数、随机数、矩阵行数、矩阵列数、迭代次数、学习速率、模型对象类、神经网络层数；2）投诉特征标签提炼：用于对历史投诉样本工单受理内容经过Word2Vector类处理，结合百度词库进行对工单内容进行格式化分词，通过系统对历史投诉样本机器学习，自动提取投诉特有标签词；同时考虑个别词组之间需要重组，将这些标签词在原有样本工单内容进行系统标注，在人工干预下最后将个别标签词进行重组提炼，形成投诉特征向量标签；投诉特征向量标签包括：表计线接错、民事赔偿、超时限、施工人员服务违规、无故停电、野蛮施工、态度恶劣、故障处理不完善、非常不满、废弃设备清理、错发户号、频繁停电、频繁跳闸、电压质量长时间异常、业务报装超时限、严重影响、家电损坏、人员违规、人身伤亡、人员服务规范、态度差、未按停电计划停送电、供电频率长时间异常、低电压、环节处理问题、停送电信息公告准确性、设备位置、营业厅服务、农网改造、抢修质量、超时限中的多种或全部；3）投诉样本格式化：用于对投诉样本进行过滤冗余词、分词格式化处理，在停用词库中增加需要过滤的词，包括工单中的问候语、套话信息，获取投诉结构化语言表达式并回写数据库；4）模型学习训练：投诉文本数值转译表述，采用向量空间模型，将文本分为若干的特征项，计算出每个特征项在该文本中的权重，进而将整个文本用以特征项的权重为分量的向量来表示，将文本用特征向量的方式表示为数学模型，再基于投诉样本向量分组进行迭代学习；对疑似投诉工单识别的学习模型实现人工实时监督再学习或者非人工模式下自学习，并支持通过学习训练进度窗口展现后台对模型深度学习过程与学习输出；5）疑似投诉识别：通过文本相似度判断进行疑似投诉识别；文档分词采用空间向量表述，文本之间的语义相似度通过空间中的这两个向量间的几何关系来度量；基于上述已学习的模型成果对所有95598来电受理工单进行逐一判定；6）疑似投诉分类：基于上述已学习的模型成果对已判断的疑似投诉工单进行逐一分类；包括一级分类、二级分类、三级分类，一级分类包括：服务拆诉、营业投拆、停送电投拆、供电质量、电网建设。2.根据权利要求1所述的一种基于深度学习的电力疑似投诉工单识别方法，其特征在于：在步骤3）中投诉样本格式化的步骤包括：301）投诉样本导入数据库；302）过滤投拆内容数字和英文；303）利用分词器结合词库和投诉特征向量标签进行内容分词；304）过滤停用词；3...

【专利技术属性】
技术研发人员：罗欣，张爽，景伟强，朱蕊倩，魏骁雄，孙婉胜，葛岳军，
申请(专利权)人：国网浙江省电力公司电力科学研究院，浙江华云信息科技有限公司，
类型：发明
国别省市：浙江,33