基于竞争图谱的供电服务工单派发方法

随着电网公司供电所数字化工作开展的逐渐深入,准确分派供电所工单的重要性日益增加。为解决供电所工单类型多、分配准确率低的问题,提出了一种基于竞争图谱的供电服务工单派发方法。首先,通过自然语言处理进行供电所多类型工单的整合,消除重复工单;其次,提取供电员工的工作状态,判断其是否具有接单条件;在此基础上,采用竞争图谱进行最优供电服务工单派单分析,并将按竞争积分进行派单。所提算例在供电所中的仿真工单派发准确率为99.1%,该方法能有效提升供电服务工单派发准确率。

移动网络客户服务支撑系统架构设计与实现

从客户服务投诉处理存在的实际问题出发,提出了移动网络客户服务支撑系统建设过程中的总体架构、技术架构、接口设计、功能架构以及软件设计过程中使用的关键技术,为移动网络客户服务支撑系统的建设提供了指导方法。

大数据在95598故障报修工单分析中的应用

应用大数据分析技术,采取文本提取、分词等分析方法挖掘95598故障报修工单热点、难点和重点问题,展现客户诉求特征及变化规律,定位营销业务与工单之间的关联关系,查找内在原因,通过95598工单内容还原客户真实诉求。以大数据技术在宁夏95598故障报修工单分析中的应用为例,介绍分析方法,并依据分析结论提出相应的服务对策与措施,提出大数据分析技术在该应用上的改进方向。

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%。

BiLSTM_DPCNN模型在电力客服工单数据分类中的应用

电力客服工单数据以文本形式记录电力用户的需求信息,合理的工单分类方法有利于准确定位用户需求,提升电力系统的运行效率.针对工单数据特征稀疏、依赖性强等问题,本文对基于字符级嵌入的长短时记忆网络(Bidirectional Long Short-Term Memory network,BiLSTM)和卷积神经网络(Convolution Neural Network,CNN)组合的结构模型进行优化.该模型首先对Word2Vec模型训练的词向量进行降噪处理,得到文本的特征表示;其次,利用BiLSTM网络递归地学习文本的时序信息,提取句子特征信息;再输入到双通道池化的CNN网络中,进行局部的特征提取.通过在真实客服工单数据集上的测试实验,验证了该模型在客服工单分类任务上的具有较好的精确性和鲁棒性.

基于词典扩充的电力客服工单情感倾向性分析

为了有效提高电力企业客户满意度及主动服务意识,结合电力客服工单文本特征,构建了电力客服工单情感分析模型。先通过TF-IDF思想进行工单关键词提取,采用word2vec训练得出每个词语的词向量,通过计算余弦相似度将高相似领域词汇扩充到情感词典,再进行工单倾向性分析及文本分类。通过实验分析验证该方法的有效性,实验结果表明,相较于原始情感词典,进行词典扩充及工单情感倾向性分析方法更具优势,准确率更高,可为电力企业客户关系管理提供一定的参考。

基于大数据的95598优质服务管理创新与实践

随着大数据及云计算时代的到来,电力企业的服务管理需要减少经验式管理,将工作重点转移到数据价值挖掘与利用中,以数据驱动决策,提升企业管理效能。以客户为导向服务意识的增强,使得95598客户诉求信息日益受到重视,面对日益壮大的数据和服务提升上行压力,对电力客户服务中心的业务分析模式和管理方法提出了更高的要求。提出一种基于大数据的95598电力客户服务管理的创新方法,将大数据引入停电响应、指标质量管控、常态工作模式智能化等技术创新与管理创新过程,取得了显著效果。

配电网供电指挥服务智能辅助系统研究及应用

针对目前配电网系统工单接派方式存在人工操作工作量大、派发工单延时率高、工单流转系统多等问题,开发供电指挥服务智能辅助系统,实现抢修和非抢修工单的派发流转。该辅助系统操作简单,运行可靠,适用性强,扩展性好,提升了现有供电指挥中心坐席系统的智能化水平,完善了工作流程,简化了繁杂的后期业务工作,为用户提供优质供电服务,对实现智能电网的战略目标具有十分积极的作用。

基于深度神经网络的电力客户诉求预判

电力企业的客户服务关系到客户的切身利益和企业的经营效益,提升客服系统对电力客户诉求预判的分析与理解能力是改善电力行业客服质量的重要途径之一。为高效、针对性地解决电力客户集中需求,做到“先于客户所想”,本文以深度神经网络技术为基础,针对电力领域改进传统的中文文本分词技术以及特征提取方法,给出电力客户诉求预判的方法和流程,并通过实验验证。本文提出的方法可快速精准地对电力客户服务工单文本进行分类,挖掘出隐藏的客户用电诉求,将服务由被动变主动,第一时间解决电力客户潜在诉求。

基于ResNet-BiLSTM模型的电力客服工单分类研究

电力客服工单记录着用户在用电过程中的需求、建议和意见,对电力客服工单进行有效的分类,对提升电力系统运行质量和用户体验有着重要意义。对此基于提升工单分类准确度为目的,通过将残差卷积网络(Residual Convolutional Network,ResNet)与双向长短时记忆网络(Bilateral Long-Short-Term Memory network,BiLSTM)结合构造ResNet-BiLSTM模型来挖掘和学习客服工单中的深度语义信息。将ResNet-BiLSTM模型在真实客服工单数据集上进行实验验证,其分类准确度达到了90.8%。结果表明,相较于TextCNN、BiLSTM和ResNet三种模型,所提出的方法识别准确率分别提升了1.6%、6.2%和10.6%,能够很好地实现电力系统客服工单分类。

告警自动触发的高校智能客服系统设计和实现

设计并实现基于告警自动触发的高校智能客服系统,创新性地把目前高校现有的IT运维系统和工单流程系统进行联动.基于故障告警自动触发工单任务,将其与宿舍管理系统和房屋管理系统进行数据互通,实现工单内容自动填写的功能.此外,通过主动方式联系用户,实现在用户还没有察觉到网络故障时已经帮助其解决故障并进行电话回访的功能.这种通过信息化手段主动的客户服务方式既能提高解决用户故障的效率,也能大大降低运维人员的工作负担.同时,师生的信息网络服务体验也将得到极大的提升.

应用BERT和BiGRU-AT的电力营销客服工单分类模型

针对传统词向量无法表示多义词,以及传统深度学习模型特征提取能力弱等问题,提出结合BERT和BiGRU-AT的电力营销客服工单分类模型。利用BERT进行工单文本特征表示,参考具体上下文语境,知道动态词向量表示;用BiGRU模型进行二次语义特征学习,全面提取句子的高维特征;通过软注意力机制为每个词分配不同权重,提升模型聚焦关键词的能力;在真实电力客服工单数据集上进行实验,结果表明,BERT-BiGRU-AT模型在客服工单分类上具有较高的准确率。

基于随机森林算法的95598投诉预测方法研究

为减少投诉风险发生,提出一种基于随机森林算法的95598工单投诉预测方法,实现对95598工单的直接投诉预测与转化投诉预测。首先,对95598历史工单进行数据预处理;其次,在充分考虑历史工单的供电地区、时间、天气、前期工单事因、重复来电和投诉倾向等情况的基础上,建立了基于随机森林算法的95598电力服务投诉工单预测模型。以某市全年95598工单数据为例,建立了该市的95598电力服务投诉工单预测模型,并以Weka 3.8数据挖掘软件为测试平台,对所建立的模型进行测试,并与其他数据挖掘算法的预测性能进行了对比分析。结果表明,该方法能够实现对95598投诉风险的有效预测,投诉预警效果良好。

基于主成分分析法的95598客户服务工单分类优化

为了提升95598客户服务水平,提高工单传递效率,提出了一种简化工单分类的方法。首先分析了工单出现的规律,然后利用主成分分析法对具体工单内容与时间维度的关系进行分析。研究结果表明,多种类型的工单数量与时间有着明显关联,特别是停复电等诉求在月末阶段明显增加。建议将"低压停电"、"一般性工单"等月末高发的工单类型进行合并,以减轻客服人员的工作压力。

国家电网客服工单投诉统计分析方法研究

文章形成了一种数据统计分析机制,通过多维度分析客户诉求,实现了从海量数据信息中将有价值的数据集中、萃取和提炼,全面、深入、系统的分析供电管理中95598工单投诉初步存在问题,反映业务实际情况和工单管理状况,有效降低客户投诉风险。

基于客户诉求分析的供电服务满意度管理体系研究

通过对客户诉求的有效利用和深入分析,构建了一套供电服务满意度管理体系,实现对工单业务、客户行为进行准确细分,提升公司客户服务需求响应能力,推动公司供电服务能力和服务水平的全面提升。

桌面云坐席系统电力客户工单信息精准查询方法

为了提升特征提取关联度和查询支持度,实现电力客户工单信息高精度高加速比查询,提出了桌面云坐席系统电力客户工单信息精准查询方法。该方法采用条件随机场分词算法实现电力客户工单信息文本的自动分词,并通过改进卡方特征选择算法获得最佳特征,然后将特征作为VSM的列矩阵变量,并依据TF-IDF算法计算特征向量的权重,最后整合特征的先验概率与重要度作为朴素贝叶斯分类器输入值,实现信息精准分类,最终完成电力客户工单信息精准查询。经实验验证:该方法提取特征具有较高的词汇关联度,查询支持度较高,遗漏概率低,能够实现精准的电力客户工单信息查询。

基于Bi-LSTM和TFIDF的工单事件提取

电网工单数据是电网运行情况以及客户满意程度的主要信息来源,近年来,有学者将深度学习的方法应用于工单数据的关键信息提取,但是提取出的关键词、词还不足以完整描述工单反映的具体情况。本文提出了一种事件抽取模型,先通过一定的方式进行文本预处理,确定标签体系和特征模板,再用Bi-LSTM和CRF相结合的模型进行实体识别和标注,最后通过TFIDF模型提取出事件表达,将该模型用于电网工单数据的事件抽取,用准确率、召回率和F1得分作为模型的评价标准,证明了该模型在工单数据分析中的可用性。

供电服务意见工单的词频分析

基于供电服务质量的有效手段,通过对意见工单受理内容高频词汇的分析及其对应举措,为精准解决客户服务诉求,从而提升供电公司综合服务能力。