一种工单预警方法、装置及电子设备制造方法及图纸

本发明专利技术实施例提供了一种工单预警方法、装置及电子设备，方法包括：确定目标工单的工单故障内容、处理备注说明、工单处理时限和处理环节类型，其中，工单故障内容和所述处理备注说明为文字型信息，工单处理时限和处理环节类型为数字型信息；将工单故障内容、处理备注说明、工单处理时限和处理环节类型输入至第一神经网络模型，得到第一神经网络模型输出的第一工单预警程度；若第一工单预警程度大于预设阈值，进行预警，从而减少工单超时风险。从而减少工单超时风险。从而减少工单超时风险。

【技术实现步骤摘要】
一种工单预警方法、装置及电子设备


[0001]本专利技术涉及计算机
，特别是涉及一种工单预警方法、装置及电子设备。

技术介绍

[0002]当前在处理客户故障工单时，各工单类型不同，环节不同，若一个环节出现相对的超时，可能会导致整个工单的处理超时，而各个工单环节都需要人工管控，由于工单数量庞大，往往需要较多人员，经常会出现人员配备不足的情况，并且人工进行管控也可能出现误差，进而导致工单处理进一步的出现超时问题。

技术实现思路

[0003]本专利技术实施例的目的在于提供一种工单预警方法、装置及电子设备，以减少工单超时风险。具体技术方案如下：
[0004]在本专利技术的第一方面，提供了一种工单预警方法，所述方法包括：
[0005]确定目标工单的工单故障内容、处理备注说明、工单处理时限和处理环节类型，其中，所述工单故障内容和所述处理备注说明为文字型信息，所述工单处理时限和所述处理环节类型为数字型信息；
[0006]将所述工单故障内容、所述处理备注说明、所述工单处理时限和所述处理环节类型输入至第一神经网络模型，得到所述第一神经网络模型输出的第一工单预警程度；
[0007]若所述第一工单预警程度大于预设阈值，进行预警；
[0008]其中，所述第一神经网络模型预先经过样本数据的训练，所述样本数据包括：
[0009]样本工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息，其中，所述工单预警信息用于表示所述样本工单的超时状况。
[0010]在一种可能的实施例中，所述第一神经网络模型包括：双向循环神经网络、单向循环神经网络、深度神经网络，其中，所述双向循环神经网络和所述单向循环神经网络用于处理所述第一神经网络模型的输入中的文字型信息，所述深度神经网络用于处理所述第一神经网络模型的输入中的数字型信息。
[0011]在一种可能的实施例中，所述将所述工单故障内容、所述处理备注说明、所述工单处理时限和所述处理环节类型输入至第一神经网络模型，得到所述第一神经网络模型输出的第一工单预警程度，包括：
[0012]将所述工单故障内容和所述处理备注说明进行分词，得到工单故障内容分词和处理备注说明分词；
[0013]将所述工单故障内容分词和所述处理备注说明分词输入预训练词库，得到工单故障内容索引和所述处理备注说明索引；
[0014]将所述工单故障内容索引和所述处理备注说明索引转化为工单故障内容词向量和处理备注说明词向量；
[0015]将所述工单故障内容词向量、处理备注说明词向量、工单处理时限和环节状态类
型输入至第一神经网络模型，得到所述第一神经网络模型输出的第一工单预警程度。
[0016]在一种可能的实施例中，将所述工单故障内容、所述处理备注说明、所述工单处理时限和所述处理环节类型输入至第一神经网络模型，得到所述第一神经网络模型输出的第一工单预警程度，包括：
[0017]将所述工单故障内容、所述处理备注说明、所述工单处理时限和所述处理环节类型输入至第一神经网络模型，以使得所述第一神经网络模型将所述工单处理时限与所述环节状态类型和第一可学习权重与第二可学习权重加权堆叠，得到第三可学习权重，得到所述第一神经网络模型输出的第一工单预警程度，其中，所述第一可学习权重为所述工单处理时限对应的权重，所述第二可学习权重为所述环节状态类型对应的权重，所述第四可学习权重为所述工单故障内容对应的权重，所述第五可学习权重为所述处理备注说明所对应的权重，所述第一可学习权重与所述第二可学习权重负相关，所述第三可学习权重、第四可学习权重与第五可学习权重负相关。
[0018]在一种可能的实施例中，所述第一神经网络模型是通过以下方式预先训练得到的：
[0019]为所述样本工单的所述工单处理时限设置第一可学习权重，并根据所述第一可学习权重获得第二可学习权重；
[0020]将所述样本工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息输入至初始神经网络模型，使所述初始神经网络模型输出第二工单预警程度；
[0021]根据所述第二工单预警程度和所述工单预警信息调整所述第一可学习权重、第二可学习权重、第三可学习权重、第四可学习权重和第五可学习权重，得到所述第一神经网络模型。
[0022]在一种可能的实施例中，所述得到所述第一神经网络模型，包括：
[0023]将验证工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息输入至已经调整权重的初始神经网络模型中，使所述已经调整权重的初始神经网络模型输出第三工单预警程度；
[0024]根据所述工单预警信息验证所述第三工单预警程度；
[0025]若所述第三工单预警程度符合所述工单预警信息，将所述已经调整权重的初始神经网络模型作为第一神经网络模型；
[0026]若所述第三工单预警程度不符合所述工单预警信息，对所述已经调整权重的初始神经网络重新进行训练。
[0027]在本专利技术的第二方面，提供了一种工单预警装置，所述装置包括：
[0028]数据获取模块，用于确定目标工单的工单故障内容、处理备注说明、工单处理时限和处理环节类型，其中，所述工单故障内容和所述处理备注说明为文字型信息，所述工单处理时限和所述处理环节类型为数字型信息；
[0029]预警程度获取模块，用于将所述工单故障内容、所述处理备注说明、所述工单处理时限和所述处理环节类型输入至第一神经网络模型，得到所述第一神经网络模型输出的第一工单预警程度；
[0030]预警模块，用于若所述第一工单预警程度大于预设阈值，进行预警；
[0031]其中，所述第一神经网络模型预先经过样本数据的训练，所述样本数据包括：
[0032]样本工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息，其中，所述工单预警信息用于表示所述样本工单的超时状况。
[0033]在一种可能的实施例中，，所述第一神经网络模型包括：双向循环神经网络、单向循环神经网络、深度神经网络，其中，所述双向循环神经网络和所述单向循环神经网络用于处理所述第一神经网络模型的输入中的文字型信息，所述深度神经网络用于处理所述第一神经网络模型的输入中的数字型信息。
[0034]在一种可能的实施例中，，所述预警程度获取模块，包括：
[0035]分词单元，用于将所述工单故障内容和所述处理备注说明进行分词，得到工单故障内容分词和处理备注说明分词；
[0036]索引单元，用于将所述工单故障内容分词和所述处理备注说明分词输入预训练词库，得到工单故障内容索引和所述处理备注说明索引；
[0037]词向量获取单元，用于将所述工单故障内容索引和所述处理备注说明索引转化为工单故障内容词向量和处理备注说明词向量；
[0038]预警程度获取单元，用于将所述工单故障内容词向量、处理备注说明词向量、工单处理时限和环节状态类型输入至第一神经网络模型，得到所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工单预警方法，其特征在于，所述方法包括：确定目标工单的工单故障内容、处理备注说明、工单处理时限和处理环节类型，其中，所述工单故障内容和所述处理备注说明为文字型信息，所述工单处理时限和所述处理环节类型为数字型信息；将所述工单故障内容、所述处理备注说明、所述工单处理时限和所述处理环节类型输入至第一神经网络模型，得到所述第一神经网络模型输出的第一工单预警程度；若所述第一工单预警程度大于预设阈值，进行预警；其中，所述第一神经网络模型预先经过样本数据的训练，所述样本数据包括：样本工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息，其中，所述工单预警信息用于表示所述样本工单的超时状况。2.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型包括：双向循环神经网络、单向循环神经网络、深度神经网络，其中，所述双向循环神经网络和所述单向循环神经网络用于处理所述第一神经网络模型的输入中的文字型信息，所述深度神经网络用于处理所述第一神经网络模型的输入中的数字型信息。3.根据权利要求1所述的方法，其特征在于，所述将所述工单故障内容、所述处理备注说明、所述工单处理时限和所述处理环节类型输入至第一神经网络模型，得到所述第一神经网络模型输出的第一工单预警程度，包括：将所述工单故障内容和所述处理备注说明进行分词，得到工单故障内容分词和处理备注说明分词；将所述工单故障内容分词和所述处理备注说明分词输入预训练词库，得到工单故障内容索引和所述处理备注说明索引；将所述工单故障内容索引和所述处理备注说明索引转化为工单故障内容词向量和处理备注说明词向量；将所述工单故障内容词向量、处理备注说明词向量、工单处理时限和环节状态类型输入至第一神经网络模型，得到所述第一神经网络模型输出的第一工单预警程度。4.根据权利要求1所述的方法，其特征在于，将所述工单故障内容、所述处理备注说明、所述工单处理时限和所述处理环节类型输入至第一神经网络模型，得到所述第一神经网络模型输出的第一工单预警程度，包括：将所述工单故障内容、所述处理备注说明、所述工单处理时限和所述处理环节类型输入至第一神经网络模型，以使得所述第一神经网络模型将所述工单处理时限与所述环节状态类型和第一可学习权重与第二可学习权重加权堆叠，得到第三可学习权重，得到所述第一神经网络模型输出的第一工单预警程度，其中，所述第一可学习权重为所述工单处理时限对应的权重，所述第二可学习权重为所述环节状态类型对应的权重，所述第四可学习权重为所述工单故障内容对应的权重，所述第五可学习权重为所述处理备注说明所对应的权重，所述第一可学习权重与所述第二可学习权重负相关，所述第三可学习权重、第四可学习权重与第五可学习权重负相关。5.根据权利要求4所述的方法，其特征在于，所述第一神经网络模型是通过以下方式预先训练得到的：为所述样本工单的所述工单处理时限设置第一可学习权重，并根据所述第一可学习权
重获得第二可学习权重；将所述样本工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息输入至初始神经网络模型，使所述初始神经网络模型输出第二工单预警程度；根据所述第二工单预警程度和所述工单预警信息调整所述第一可学习权重、第二可学习权重、第三可学习权重、第四可学习权重和第五可学习权重，得到所述第一神经网络模型。6.根据权利要求5所述的方法，其特征在于，所述得到所述第一神经网络模型，包括：将验证工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息输入至已经调整权重的初始神经网络模型中，使所述已经调整权重的初始神经网络模型输出第三工单预警程度；根据所述工单预警信息验证所述第三工单预警程度；若所述第三工单预警程度符合所述工单预警信息，将所述已经调整权重的初始神经网络模型作为第一神经网络模型；若所述第三工单预警程度不符合所述工单预警信息，对所述已经调整权重的初始神经网络重新进行训练。7.一种工单预警装置，其特征在于，所述装置包括：数据获取模块，用于确定目标工单的工单故障内容、处理备注说明、工单处理时限和处理环节类型，其中，所述工单故障内容和所述处理备注说明为文字型信息，所述工单处理时限和所述处理环节类型为数字...

【专利技术属性】
技术研发人员：谢志锋，杨又铭，蓝才运，张雷，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：