本发明专利技术公开一种多模型融合的运维工单满意度预警方法，涉及运维工单技术领域，其实现过程涉及预先训练好的工单预警模型、客户预警模型和情感评估模型，具体流程如下：接收到工单关单消息之后，首先由工单预警模型判断当前工单是否存在低分风险，若不存在则直接结束，否则进一步由客户预警模型和情感评估模型判断当前工单对应的客户是否存在低分风险，若均不存在则直接结束，否则根据预先设置的屏蔽规则判断是否需要屏蔽当前满意度预警，若不需要屏蔽，则给服务人员发送满意度预警通知，否则直接结束。本发明专利技术适用于用户不直接参与工单处理流程的运维工单的满意度预警，可以有效提高预警准确率。
【技术实现步骤摘要】
本专利技术涉及运维工单，具体的说是一种多模型融合的运维工单满意度预警方法。
技术介绍
1、云服务提供商为了更好的为客户提供服务，提高客户满意度，通常会对客户进行满意度调研，然而这种方式往往具有滞后性，不利于提高客户满意度。而且传统的满意度预警大多是基于用户的电话、用户聊天等信息进行满意度的预测，对于运维工单这种用户参与较少的满意度预警比较困难，效果较差。
技术实现思路
1、本专利技术为了解决用户不直接参与工单处理流程，缺少用户反馈难以进行满意度预警的问题，提供一种多模型融合的运维工单满意度预警方法。
2、本专利技术的一种多模型融合的运维工单满意度预警方法，解决上述技术问题采用的技术方案如下：
3、一种多模型融合的运维工单满意度预警方法，其实现过程涉及预先训练好的工单预警模型、客户预警模型和情感评估模型，具体流程如下：
4、接收到工单关单消息之后，首先由工单预警模型判断当前工单是否存在低分风险，若不存在则直接结束，否则进一步由客户预警模型和情感评估模型判断当前工单对应的客户是否存在低分风险，若均不存在则直接结束，否则根据预先设置的屏蔽规则判断是否需要屏蔽当前满意度预警，若不需要屏蔽，则给服务人员发送满意度预警通知，否则直接结束。
5、可选的，所涉及工单预警模型是根据历史工单评分情况预训练得到的分类模型，其工作流程如下：
6、根据工单信息构造工单特征向量，将工单特征向量输入到训练好的工单预警模型中得到工单预警结果。
>7、进一步的，所涉及工单信息包含的特征类型分为工单分类、工单紧急程度、工单处理效率、工单问题严重程度，其中：8、工单分类特征包括工单一级分类、二级分类、三级分类、四级分类；
9、工单紧急程度特征包括催单次数、工单标题和问题描述中是否包含紧迫性相关的时间关键词；
10、工单处理效率特征包括工单流转次数、工单处理耗时；
11、工单严重程度特征包括l2是否经手、l3是否经手、参与工单处理技能组个数、工单问题级别、工单标题和问题描述中是否包含严重性相关的关键词。
12、更进一步的，采用以下方式构造工单特征向量：
13、将工单的一级分类名称、二级分类名称、三级分类名称、四级分类名称拼接到一起得到工单分类描述，将工单分类描述输入到根据工单所有分类预先构造的分词词典模型中得到工单特征向量。
14、更进一步的，通过关键词匹配的方式得到工单的紧迫性和严重性特征向量，采用分词的方式进行关键词匹配，具体流程如下：
15、将严重性关键词分为故障关键词和问题关键词两类，根据历史工单标题和问题描述得到紧迫性和严重性关键词集合，将得到的关键词列表作为jieba分词库的自定义词典加载；
16、将工单标题和问题描述拼接到一个句子中；
17、通过jieba分词得到分词后的列表；
18、遍历分词后的列表依次判断是否包含在预先定义的关键词集合中，
19、若在则对应的关键词类型匹配数量加1；
20、最终得到匹配到的关键词向量，关键词向量的每一维表示对应关键词匹配的次数。
21、可选的，所涉及客户预警模型是根据历史客户评分训练到的分类模型，其工作流程如下：
22、根据客户历史评分情况构造客户特征向量，将客户特征向量输入到预训练的客户预警模型中得到客户预警结果，其中客户特征向量包括：客户近一周工单数、客户联系人历史评分低分率、客户类型。
23、可选的，所涉及情感评估模型的工作流程如下：
24、查询时间范围为当前工单创建时间和工单关单后30分钟之间，当前工单对应客户的企业微信聊天记录，依次遍历每一条记录，调用情感识别模型识别聊天记录的情感，分别统计客户和企业人员负面情绪聊天记录比例作为客户情绪指数、企业人员情绪指数、以及客户最后一次聊天情绪，将客户情绪指数、企业人员情绪指数、和客户最后一次聊天情绪进行加权作为总体情绪指数，若情绪指数大于预先设置的门限值，则判定当前工单存在评低分风险。
25、可选的，满意度预警屏蔽规则匹配流程如下：
26、查询客户联系人是否在黑名单内,若在则不发送，若不在则进一步查询当前客户联系人当前是否已经发送过满意度调研，若已发送过则不发送，否则查询当前工单标题或工单分类是否在屏蔽名单里，若存在则不发送，否则发送满意度预警通知。
27、本专利技术的一种多模型融合的运维工单满意度预警方法，与现有技术相比具有的有益效果是：
28、(1)本专利技术融合了工单预警模型、客户预警模型和情感评估模型综合进行满意度预警，既包含了工单本身的特征，也考虑了不同用户的区别，以及用户直接的情感反馈。解决了用户不直接参与工单处理流程，缺少用户反馈难以进行满意度预警的问题，有效提高满意度预警的准确性；
29、(2)本专利技术尤其适用于用户不直接参与工单处理流程的运维工单的满意度预警，可以有效提高预警准确率。
本文档来自技高网...
【技术保护点】
1.一种多模型融合的运维工单满意度预警方法，其特征在于，其实现过程涉及预先训练好的工单预警模型、客户预警模型和情感评估模型，具体流程如下：
2.根据权利要求1所述的一种多模型融合的运维工单满意度预警方法，其特征在于，所述工单预警模型是根据历史工单评分情况预训练得到的分类模型，其工作流程如下：
3.根据权利要求2所述的一种多模型融合的运维工单满意度预警方法，其特征在于，工单信息包含的特征类型分为工单分类、工单紧急程度、工单处理效率、工单问题严重程度，其中：
4.根据权利要求3所述的一种多模型融合的运维工单满意度预警方法，其特征在于，采用以下方式构造工单特征向量：
5.根据权利要求4所述的一种多模型融合的运维工单满意度预警方法，其特征在于，通过关键词匹配的方式得到工单的紧迫性和严重性特征向量，采用分词的方式进行关键词匹配，具体流程如下：
6.根据权利要求1所述的一种多模型融合的运维工单满意度预警方法，其特征在于，客户预警模型是根据历史客户评分训练到的分类模型，其工作流程如下：
7.根据权利要求1所述的一种多模型融合的运维工单满意度预警方法，其特征在于，所述情感评估模型的工作流程如下：
8.根据权利要求1所述的一种多模型融合的运维工单满意度预警方法，其特征在于，满意度预警屏蔽规则匹配流程如下：
...
【技术特征摘要】
1.一种多模型融合的运维工单满意度预警方法，其特征在于，其实现过程涉及预先训练好的工单预警模型、客户预警模型和情感评估模型，具体流程如下：
2.根据权利要求1所述的一种多模型融合的运维工单满意度预警方法，其特征在于，所述工单预警模型是根据历史工单评分情况预训练得到的分类模型，其工作流程如下：
3.根据权利要求2所述的一种多模型融合的运维工单满意度预警方法，其特征在于，工单信息包含的特征类型分为工单分类、工单紧急程度、工单处理效率、工单问题严重程度，其中：
4.根据权利要求3所述的一种多模型融合的运维工单满意度预警方法，其特征在于，采用以下方式构造工单特...
【专利技术属性】
技术研发人员：孙光涛，陈尧，王继，张永皋，
申请(专利权)人：浪潮云信息技术股份公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。