一种数据处理方法、装置、电子设备及存储介质制造方法及图纸

本申请公开一种数据处理方法、装置、电子设备及存储介质，属于数据处理技术领域。该数据处理方法包括：获取针对服务订单的客服工单；对客服工单中记录的文本进行分词，得到分词数组；利用预设的向量转换模型将分词数组映射为对应的词向量序列；将词向量序列中的各个向量按照在文本中的语序顺次输入到事先训练好的循环神经网络模型中进行处理，得到服务订单的危险系数。本申请实施例中，通过对待处理的客服工单进行分词和词向量转换处理，并将得到的各个向量按照在文本中的语序顺次输入到事先训练好的循环神经网络模型中进行处理，从而实现对服务订单的危险系数的预测，降低人工客服的时间成本，提高判断效率，同时能减少人工判断的主观性。

【技术实现步骤摘要】
一种数据处理方法、装置、电子设备及存储介质
本申请属于数据处理
，具体涉及一种数据处理方法、装置、电子设备及存储介质。
技术介绍
随着科技的进步和社会网络的复杂化，衍生了很多负责为用户提供便利的服务平台(例如网约车平台、外卖平台)。服务平台作为连接服务请求方和服务提供方的关联者，平台不仅需要为多元用户提供便利的服务，同时也肩负着保障用户利益的重大责任。复杂的社会关系和难以预测的突发状况都为平台服务和管控用户带来了巨大的困难，因此，服务平台几乎都设立有负责处理各种投诉订单的客服人员。而客服是连接平台、服务请求方和服务提供方这三方关系的重要纽带，作为三方信息的中转站，从客服这个节点切入解决安全问题显得尤为重要。目前服务订单安全问题主要是通过人工客服升级处理和客户端问答处理，比如客服根据用户进线内容人工判断是否需要升级为安全问题，但是存在以下问题：1)客服人员有限，不能及时处理2)待判断事件积压量与响应速度呈反比，在待判断事件存在积压时，也会降低其效率。
技术实现思路
鉴于此，本申请的目的在于提供一种数据处理方法、装置、电子设备及存储介质，以改善现有判断方式存在的判断效率低下和存在主观性导致判断结果不准确的问题。本申请的实施例是这样实现的：第一方面，本申请实施例提供了一种数据处理方法，包括：获取针对服务订单的客服工单；对所述客服工单中记录的文本进行分词，得到分词数组；利用事先训练好的向量转换模型将所述分词数组映射为对应的词向量序列；将所述词向量序列中的各个向量按照在所述文本中的语序顺次输入到事先训练好的循环神经网络模型中进行处理，得到所述服务订单的危险系数。本申请实施例中，通过对待处理的客服工单进行分词和词向量转换处理，使其转换为循环神经网络模型可识别的数字向量，并将得到的各个向量按照在文本中的语序顺次输入到事先训练好的循环神经网络模型中进行处理，从而实现对服务订单的危险系数的预测，降低人工客服的时间成本，提高判断效率，同时能减少人工判断的主观性。结合第一方面实施例，在一种可能的实施方式中，对所述客服工单中记录的文本进行分词，得到分词数组，包括：对所述客服工单中记录的文本进行预处理，所述预处理包括以下中的至少一种：删除重复记录、删除客服话术、规范标点符号、删除冗余信息；对预处理后的文本进行分词，得到分词数组。本申请实施例中，在对客服工单中记录的文本进行分词时，先对文本进行预处理，如删除重复记录、删除客服话术、规范标点符号、删除冗余信息，然后再对预处理后的文本进行分词处理，以减少无用信息的干扰，提高预测结果的准确性，同时由于删除到了无用的信息，还可以提高处理效率。结合第一方面实施例，在一种可能的实施方式中，在得到所述服务订单的危险系数之后，所述方法还包括：判断所述危险系数是否大于预设危险阈值；在所述危险系数大于所述预设危险阈值时，将所述危险系数和所述文本发送至负责处理危险事件的客服组对应的终端，以使客服人员对所述客服工单进行处理。本申请实施例中，在得到危险系数后，将其与预设危险阈值进行比较，在危险系数大于述预设危险阈值时，将危险系数和对饮的文本发送至负责处理危险事件的客服组对应的终端，以使客服人员对该客服工单及时进行处理，以提高处理的效率。结合第一方面实施例，在一种可能的实施方式中，所述方法还包括：获取当前时刻能处理危险事件的客服人员数量；根据所述客服人员数量更新所述预设危险阈值。本申请实施例中，通过获取当前时刻能处理危险事件的客服人员数量来更改预设危险阈值，以协调负责处理危险事件的客服人员与待处理的危险事件之间的平衡性。结合第一方面实施例，在一种可能的实施方式中，将所述词向量序列中的各个向量按照在所述文本中的语序顺次输入到事先训练好的循环神经网络模型中进行处理，得到所述服务订单的危险系数，包括：将所述词向量序列中的各个向量按照在所述文本中的语序顺次输入到事先训练好的循环神经网络模型中；通过所述循环神经网络模型计算输入的词向量序列与训练得到的向量参数之间的相似度，并根据所述相似度得到所述服务订单的危险系数。本申请实施例中，利用循环神经网络模型来计算输入的词向量序列与训练得到的向量参数之间的相似度，进而能快速、准确的得到服务订单的危险系数。结合第一方面实施例，在一种可能的实施方式中，将所述词向量序列中的各个向量按照在所述文本中的语序顺次输入到事先训练好的循环神经网络模型中进行处理，得到所述服务订单的危险系数，包括：计算所述词向量序列与预设的业务关键词对应的词向量之间的余弦相似度；在所述词向量序列的首位插入所述余弦相似度，得到更新后的词向量序列；将所述更新后的词向量序列中的各个向量按照在所述文本中的语序顺次输入到事先训练好的循环神经网络模型中；通过所述循环神经网络模型计算输入的词向量序列与训练得到的向量参数之间的相似度，并根据所述相似度得到所述服务订单的危险系数。本申请实施例中，通过在词向量序列的首位插入计算得到的词向量序列与预设的业务关键词对应的词向量之间的余弦相似度，得到更新后的词向量序列，再利用循环神经网络模型来计算输入的词向量序列与训练得到的向量参数之间的相似度，进而能进一步提高预测到的服务订单的危险系数的准确性。结合第一方面实施例，在一种可能的实施方式中，在获取针对服务订单的客服工单之前，所述方法还包括：获取所述服务订单之前的第一预设时间段内的历史服务订单的历史客服工单；对每个所述历史客服工单中记录的文本进行分词，得到分词数组；利用每个所述历史客服工单对应的分词数组对初始的向量转换模型进行训练，得到所述训练好的向量转换模型。结合第一方面实施例，在一种可能的实施方式中，在获取针对服务订单的客服工单之前，所述方法还包括：获取所述服务订单之前的第二预设时间段内的历史服务订单的历史客服工单；对每个所述历史客服工单中记录的文本依次进行分词、词向量转换处理，得到每个所述历史客服工单对应的词向量序列；利用每个所述历史客服工单对应的词向量序列对初始的循环神经网络模型进行训练，得到所述训练好的循环神经网络模型。结合第一方面实施例，在一种可能的实施方式中，对每个所述历史客服工单中记录的文本进行分词、词向量转换处理，包括：对每个所述历史客服工单中记录的文本进行预处理，所述预处理包括以下中的至少一种：删除重复记录、删除客服话术、规范标点符号、删除冗余信息；对预处理后的每个所述历史客服工单中记录的文本进行分词、词向量转换处理。第二方面，本申请实施例还提供了一种数据处理装置，包括：第一获取模块、分词模块、转换模块以及处理模块；第一获取模块，用于获取针对服务订单的客服工单；分词模块，用于对所述客服工单中记录的文本进行分词，得到分词数组；转换模块，用于利用事先训练好的向量转换模型将所述分词数组映射为对应的词向量序列；处理模块，用于将所述词向量序列中的各个向量按照在所述文本中的语序顺次输入到事先训练好的循环神经网络模型中进行处理，得到所述服务订单的危险系数。结合第二方面实施例，在一种可能的实施方式中，所述分词模块，用于：对所述客服工单中记录的文本进本文档来自技高网...

【技术保护点】
1.一种数据处理方法，其特征在于，包括：/n获取针对服务订单的客服工单；/n对所述客服工单中记录的文本进行分词，得到分词数组；/n利用事先训练好的向量转换模型将所述分词数组映射为对应的词向量序列；/n将所述词向量序列中的各个向量按照在所述文本中的语序顺次输入到事先训练好的循环神经网络模型中进行处理，得到所述服务订单的危险系数。/n

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：
获取针对服务订单的客服工单；
对所述客服工单中记录的文本进行分词，得到分词数组；
利用事先训练好的向量转换模型将所述分词数组映射为对应的词向量序列；
将所述词向量序列中的各个向量按照在所述文本中的语序顺次输入到事先训练好的循环神经网络模型中进行处理，得到所述服务订单的危险系数。


2.根据权利要求1所述的方法，其特征在于，对所述客服工单中记录的文本进行分词，得到分词数组，包括：
对所述客服工单中记录的文本进行预处理，所述预处理包括以下中的至少一种：删除重复记录、删除客服话术、规范标点符号、删除冗余信息；
对预处理后的文本进行分词，得到分词数组。


3.根据权利要求1所述的方法，其特征在于，在得到所述服务订单的危险系数之后，所述方法还包括：
判断所述危险系数是否大于预设危险阈值；
在所述危险系数大于所述预设危险阈值时，将所述危险系数和所述文本发送至负责处理危险事件的客服组对应的终端，以使客服人员对所述客服工单进行处理。


4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
获取当前时刻能处理危险事件的客服人员数量；
根据所述客服人员数量更新所述预设危险阈值。


5.根据权利要求1所述的方法，其特征在于，将所述词向量序列中的各个向量按照在所述文本中的语序顺次输入到事先训练好的循环神经网络模型中进行处理，得到所述服务订单的危险系数，包括：
计算所述词向量序列与预设的业务关键词对应的词向量之间的余弦相似度；
在所述词向量序列的首位插入所述余弦相似度，得到更新后的词向量序列；
将所述更新后的词向量序列中的各个向量按照在所述文本中的语序顺次输入到事先训练好的循环神经网络模型中；
通过所述循环神经网络模型计算输入的词向量序列与训练得到的向量参数之间的相似度...

【专利技术属性】
技术研发人员：周畅，韩冰，王洋，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京;11