基于MacBERT和联合注意力增强网络的物业服务投诉分类方法

基于人工的物业投诉文件分类处理方法已经无法满足社会需求,并且已有投诉相关的自动分类方法在物业投诉分类问题上的性能较不足。因此,本研究提出一个基于MacBERT和联合注意力增强网络的物业服务投诉分类方法JAE BERT4Com。JAE BERT4Com使用基于近义词替换与合成少数过采样技术结合的样本增强策略解决类不平衡的问题,以及基于MacBERT的分层注意力、Transformers的多头注意力和关键词注意力等多重注意力联合增强的网络进行文本特征学习和分类。实验结果表明,JAE BERT4Com能够获得比现有模型更高的准确率、F1分数和召回率,比现有较先进模型的性能更优。

基于改进的Random Subspace 的客户投诉分类方法

电信业的客户投诉不断增多而又亟待高效处理。针对电信客户投诉数据的特点,提出了一种面向高维数据的改进的集成学习分类方法。该方法综合考虑客户投诉中的文本信息及客户通讯状态信息,基于Random Subspace方法,以支持向量机(Support Vector Machine,SVM)为基分类器,采用证据推理(Evidential Reasoning,ER)规则为一种新的集成策略,构造分类模型对电信客户投诉进行分类。所提模型和方法在某电信公司客户投诉数据上进行了验证,实验结果显示该方法能够显著提高客户投诉分类的准确率和投诉处理效率。

客户投诉处理精准分析与定位研究

该文阐述了采用特征提取、关联规则挖掘、数据分析、投诉热点预判等技术,可实现对客户投诉的精准分析,有效减少客户投诉,提升信息服务业的服务水平。

一种基于文本相似度矩阵运算的非结构化海量投诉数据分类算法

随着互联网和信息技术的日新月异,非结构化数据量有呈几何级数增长的趋势。尤其是Web2.0网络社区的流行与火爆,使得增长趋势得到了进一步的加速。因此,面对海量的非结构化数据,如何有效地管理和组织它们,以便于终端用户进行信息存取,成为了一个迫在眉睫的重要研究课题。本文通过对非结构化数据的文本的建模和文本相似度比较,对于大规模非结构化数据的分类算法进行了讨论和研究,并将此算法应用到了中国移动的投诉数据分类系统中。在系统实施后,非常有效地提高了投诉数据的处理效率,从而印证所提出分类算法及系统框架的有效性。

北京某三甲医院5886件患者投诉现况及影响因素分析

目的:分析北京某三甲医院患者投诉现况及影响因素,为加强医疗机构患者投诉管理工作提供政策建议。方法:收集2009-2018年北京某三甲医院5886件患者投诉的相关信息,从投诉时间、患者个人信息、投诉事由、投诉严重程度、投诉解决方式、被投诉人信息等方面分析患者投诉现况。运用三分类多元Logistic回归分析,探讨发生临床诊疗类、医院管理类和医患关系类投诉的影响因素。结果:在纳入研究的5886件患者投诉中,临床诊疗类最多(2677件,45.48%)。从投诉率看,临床诊疗类和医患关系类呈现缓慢下降趋势,而医院管理类持续上升。3类患者投诉在患者年龄、性别、是否实名投诉、就诊类型、被投诉人职业类别、被投诉科室及处理方式的分布上存在显著差异。临床诊疗类投诉形成纠纷的比例最高(24.21%),而医院管理类和医患关系类极少形成纠纷(2.84%、0%),基本通过院内协商方式解决(99.61%、100%)。多因素logistic回归分析结果显示,患者年龄、性别、是否实名投诉、就诊类型、被投诉人职业类别及被投诉科室对3类患者投诉的发生有较大影响。结论:应关注影响患者投诉的患者个人特征,透过患者投诉查找医疗机构管理中的薄弱环节,构建预防为主、患者参与、标准化管理的患者投诉管理模式。

业主投诉的应对机制——祈福新村案例分析

我国住宅小区硬件越来越好,但软件相对落后。物业管理服务与业主的期待差距较大,这导致物管与业主的关系紧张。鉴于此,通过分析业主投诉心理,以处理业主的投诉为契机,建立物管与业主之间的友好关系,探讨物管与业主共赢的经营模式。

基于混合神经网络的电力短文本分类方法研究

随着移动互联网时代的到来,如何保持一个良好的用户群,提高用户的满意度,成为各个领域关注的焦点。客户投诉是直接反馈用户的意见,可以通过多个渠道获得大量的用户投诉数据,从这些数据中获得很多有用信息,而目前的用户投诉往往依靠人工审核,缺乏系统和自动化的投诉分析工具。论文从电力用户投诉短文本入手,对用户投诉的自动分类进行研究,并结合用户的投诉与用户的属性,提取有用的投诉信息。通过这些研究,最终将有助于改善电网综合服务水平。

基于nBD-SVM模型的投诉短文本分类

【目的】对投诉短文本进行有效分类以提高问题处理效率。【方法】针对投诉文本所呈现出的弱结构化、长度较短等特征,提出一种结合主题模型和词向量方法构建SVM输入空间向量,并融入集成学习方法的nBD-SVM文本分类模型。【结果】采用企业投诉文本进行实证分析,对比相关分类方法,nBD-SVM准确率可达81.13%,说明其能够有效提升投诉文本分类的准确性和效率。【局限】实验仅以某公司投诉文本为例。【结论】nBD-SVM分类模型能够适应企业投诉文本分类任务,满足企业的分类应用需求。

妇女儿童专科医院急诊科投诉分析

目的 分析妇女儿童专科医院急诊科投诉特征,为专科医院改善医疗服务质量、增强医院管理、提高满意度、降低投诉率提供依据。方法 利用医疗投诉分析工具分类框架,对四川大学华西第二医院急诊科的投诉进行回顾性分析。结果 2020年—2022年的投诉总量为525件,投诉量逐年增加。针对人员的投诉196件,针对区域的投诉329件。管理问题相关投诉320件(61.0%),医患关系问题相关投诉143件(27.2%),临床问题相关投诉合计62件(11.8%)。被投诉区域主要是发热门诊(193件),被投诉人员主要是护士(82件)。结论 妇女儿童专科医院急诊科的就诊者不同于综合医院,应针对主要问题进行主动优化,在不断提高医疗技术水平的同时,还要加强信息化建设、优化就医流程、改善环境设施、为就诊者及其陪护人员提供心理支持。