基于注意力机制的电力企业客服工单分类方法

针对电力企业客服工单的自动分类问题,提出了一种新颖的文本分类方法。该方法结合了XLM(cross-lingual language model)预训练模型和基于注意力机制的双向长短期记忆网络,旨在提高客服工单处理的准确性和效率。通过对客服工单数据进行预处理和预训练,模型能够更深入地理解和分类复杂的客户查询和投诉。实验结果显示:与传统模型相比,本方法在多个评价指标上均显示出优越的性能,特别是在分类准确率和处理复杂文本的能力方面。

基于计算语言方法的95598工单分类优化分析

由于电网公司95598工单分类不合理,影响客服对工单的处理效率及客户满意度。针对这种情况,结合分词工具、TF-IDF算法、K-means算法对投诉工单样本进行多维度整合分析,建立基于计算语言方法的95598工单分类优化模型。可以实现工单的文本分词、特征向量模型构建、主题分析、原投诉分类的相似度分析及可视化展示。结果表明,该模型可以确认原投诉工单分类标签是否合理,对工单进行相应优化措施,讨论工单分类合并的可行性,实现合理的业务分类,还原用户真实诉求。

基于矩阵分解和注意力多任务学习的客服投诉工单分类

投诉工单自动分类是通信运营商客服数字化、智能化发展的要求。客服投诉工单的类别有多层,每一层有多个标签,层级之间有所关联,属于典型的层次多标签文本分类问题,现有解决方法大多数基于分类器同时处理所有的分类标签,或者对每一层级分别使用多个分类器进行处理,忽略了层次结构之间的依赖。提出了一种基于矩阵分解和注意力的多任务学习的方法(MF-AMLA),处理层次多标签文本分类任务。在通信运营商客服场景真实投诉工单分类数据下,与该场景常用的机器学习算法和深度学习算法的Top1F1值相比分别最大提高了21.1%和5.7%。已在某移动运营商客服系统上线,模型输出的正确率97%以上,对客服坐席单位时间的处理效率提升22.1%。

融合RoBERTa和特征提取的政务热线工单分类

政务热线承接了海量市民诉求,人工对工单分类耗时费力。现有工单分类方法大多基于机器学习或单一神经网络模型,难以有效理解上下文语义信息,且文本特征提取不全面。针对这一问题,本文提出一种融合Ro BERTa和特征提取的政务热线工单分类方法。该方法首先通过基于Ro BERTa预训练语言模型的语义编码层获取政务热线工单文本中的语义表征向量,然后通过由CNN-BiGRU-Self-Attention定义的特征提取层获取工单文本的局部特征和全局特征,并对全局特征进行处理以凸显重要性高的语义特征,最后将融合后的特征向量输入分类器来完成工单分类。实验结果表明,相较于其他基线分类方法,本文提出的方法能够取得更好的工单分类效果。

基于word2vec和XGBoost相结合的国网95598客服投诉工单分类

为了解决95598客服投诉工单的整理、归档等问题,其中包括:在人工进行归档的过程中出现的疏忽造成的归档随意问题,即归档准确性问题;人工对投诉工单进行差错点归纳的耗时问题,即效率问题;人工对客服投诉分析深度不足,无法精准快速定位用户诉求热点的问题,即深度问题。本文针对以上三个问题给出解决方案,采用word2vec和XGBoost相结合的方式达到对95598客服投诉工单精准归纳。在文本词向量化的过程中采用word2vec方法,得到单词的文本词向量;利用XGBoost算法对95598客服投诉工单进行分类归档,并且对历史投诉工单的责任部门、专业分类、诉求事件、差错点四个方面进行标注。该模型的分类准确率在83%-91%左右,有较好的的效果。基于工单分类的结果,并设计了相关的投诉类看板,更直观的对数据进行展示。

配网客服工单分类统计归档程序的开发与应用

根据配网客服工单分类存在的问题,研发了一种关联几个数据库可以快速对子项分类统计、快速智能识别分类的故障报修工单归档程序,操作流程简单,通过三个步骤即可完成操作。本程序使用Python语言编写代码完成,实现工单文件的上传、表格信息的清洗处理以及分类汇总还有结果的本地保存等功能,方便快捷、自动迅速,为以后工作的有序开展具有重要意义。

泛在电力物联网下配网台区状态综合评估研究

针对现有配网投资未考虑客户诉求和电网结构之间关系的问题,提出基于电力客户诉求和配变运行状态的配网台区状态综合评估方法。首先基于用户诉求信息,构建配网台区投诉数据池,借助自然语言处理等技术,从投诉数据池中提取供电质量相关的客户诉求特征,运用AHP算法构建基于客户诉求的台区状态评估模型;其次基于台区配变负载、电压等运行数据,提取配变运行状态特征指标,采用Topsis评估算法构建基于配变运行状态的台区状态评估模型;最后依托模型评估结果,结合专家经验,综合评估台区可靠性,得出配网薄弱环节,辅助指导配变投资项目优先顺序,提升精准投资效能和客户用电满意度。