投诉工单的分类方法及装置、非易失性存储介质与流程

本技术涉及通信，具体而言，涉及一种投诉工单的分类方法及装置、非易失性存储介质。

背景技术：

1、用户的投诉频度随着通信网络业务多样性的增多和用户数量的日益增长而急剧增长；面对成百上千的投诉工单、各形各色的用户投诉内容和种类繁多的工单类别，如何高效理解用户投诉内容并对用户投诉工单进行分类，快速识别用户对通信网络的需求，进而发现投诉工单反映的真正网络问题是快速提升用户满意度的重要手段。相关技术中，主要基于客服自身对无线网络的理解进行人工分类，该方法仅在投诉工单数量较少的情况下具有较高的分类准确率；但随着投诉工单数量的不断增长、无线网络新用词的不断增多，以及不同客服人员理解上的偏差，该方法的分类准确率急速下降，已无法快速有效识别真正的网络类的工单；因此，由于相关技术中通过人工对投诉工单分类，存在分类准确率低的问题。

2、针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本技术实施例提供了一种投诉工单的分类方法及装置、非易失性存储介质，以至少解决由于相关技术中采用人工的方法识别投诉工单反映的问题是否为网络问题造成的识别结果准确率低的技术问题。

2、根据本技术实施例的一个方面，提供了一种投诉工单的分类方法，包括：获取投诉工单文本数据和用户网络感知数据，其中，投诉工单文本数据根据多个投诉工单生成，投诉工单文本数据包括：多个通信号码、多条故障描述信息，用户网络感知数据包括网络服务质量数据和用户评价数据；采用联合模型对投诉工单文本数据和用户网络感知数据进行分析，得到目标输出结果，其中，目标输出结果用于指示每个投诉工单对应的投诉类型，联合模型为基于以下模型进行联合训练得到的：用于处理投诉工单文本数据的知识整合增强表示ernie模型和用于处理用户网络感知数据的分析模型。

3、可选地，在采用联合模型对投诉工单文本数据和用户网络感知数据进行分析之前，投诉工单的分类方法还包括：对投诉工单文本数据进行以下预处理：将投诉工单文本数据中的字符类数据和与预设停用词相同的数据删除；对删除了字符类数据和与预设停用词相同的数据的投诉工单文本数据进行分词处理得到多个文本数据；对于每个文本数据，基于预设词典将文本数据转换为对应的标识，其中，预设词典用于记录多个文本数据与多个标识之间的映射关系；根据多个标识生成文本序列，其中，每个标识在文本序列的位置与每个标识对应的文本数据在投诉工单文本数据中的位置相同。

4、可选地，在采用联合模型对投诉工单文本数据和用户网络感知数据进行分析之前，方法还包括：对用户网络感知数据进行以下预处理：在用户网络感知数据中存在数值为空值的第一类字段的情况下，确定用户网络感知数据的平均值，将平均值确定为第一类字段的数值，或者，将第一类字段删除；在用户网络感知数据中存在数值超过预设范围的第二类字段的情况下，将第二类字段删除；在用户网络感知数据中存在重复数据的情况下，只保留重复数据中的一个数据，其中，重复数据为用户网络感知数据字段相同且数值相同的数据。

5、可选地，分析模型通过以下方法处理用户网络感知数据；利用分析模型中的第一子模型处理用户网络感知数据中的第一类网络服务质量数据，得到第一结果，其中，第一类网络服务质量数据至少包括：用于评价通信信号接收强度的信号强度指示器优良率、通信信号的信噪比平均值和由通信信号导致的通话中断的次数；利用分析模型中的第二子模型处理用户网络感知数据中的第二类网络服务质量数据，得到第二结果，其中，第二类网络服务质量数据至少包括：通信网络的上行时延和通信网络的下行时延；利用分析模型中的第三子模型处理用户网络感知数据中的第三类网络服务质量数据，得到第三结果，其中，第三类网络服务质量数据至少包括：语音未接通总次数、语音掉话总次数；利用分析模型中的第四子模型处理用户网络感知数据中的目标用户评价数据，得到第四结果，其中，目标用户评价数据至少包括：用户投诉次数、用户在预设时段内的限速次数；利用分析模型中的目标神经网络处理第一结果、第二结果、第三结果和第四结果，其中，目标神经网络为第一子模型、第二子模型、第三子模型和第四子模型的下一层神经网络，第一子模型、第二子模型、第三子模型和第四子模型在同一层神经网络。

6、可选地，第一类网络服务质量数据、第二类网络服务质量数据、第三类网络服务质量数据和目标用户评价数据通过以下方法确定：确定每类用户网络感知数据与用于指示用户体验质量的目标变量数据的互信息得分，得到互信息得分大于预设阈值的第一类用户网络感知数据；并且，将不同类用户网络感知数据进行组合，得到多个特征组合，确定每个特征组合的决策系数，将数值最大的决策系数对应的特征组合中包含的多类用户网络感知数据确定为第二类用户网络感知数据；并且，根据用户网络感知数据构建多个决策树，确定每类用户网络感知数据在每个决策树的基尼指数，得到多个基尼指数，其中，每个基尼指数用于指示每类用户网络感知数据相对于每个决策树的重要程度；对于每类用户网络感知数据，确定用户网络感知数据对应的多个基尼指数的累加和；将对累加和进行归一化处理的结果确定为用户网络感知数据的重要性得分；将大于预设阈值的多个重要性得分对应的多类用户网络感知数据确定为第三类用户网络感知数据；从第一类用户网络感知数据、第二类用户网络感知数据和第三类用户网络感知数据中筛选第一类网络服务质量数据、第二类网络服务质量数据、第三类网络服务质量数据和目标用户评价数据。

7、可选地，从第一类用户网络感知数据、第二类用户网络感知数据和第三类用户网络感知数据中筛选第一类网络服务质量数据、第二类网络服务质量数据、第三类网络服务质量数据和目标用户评价数据，包括：将第一类用户网络感知数据、第二类用户网络感知数据和第三类用户网络感知数据中用于评价通信信号的覆盖范围的数据、用于评价通信信号的覆盖强度的数据确定为第一类网络服务质量数据；将第一类用户网络感知数据、第二类用户网络感知数据和第三类用户网络感知数据中用于评价通信网络的性能的数据确定为第二类网络服务质量数据；将第一类用户网络感知数据、第二类用户网络感知数据和第三类用户网络感知数据中的语音类数据确定为第三类网络服务质量数据；将一类用户网络感知数据、第二类用户网络感知数据和第三类用户网络感知数据中与用户相关的数据确定为目标用户评价数据。

8、可选地，联合模型通过以下方法训练得到：确定用于训练ernie模型的第一损失函数的第一权重，并确定用于训练分析模型的第二损失函数的第二权重；确定第一权重与第一损失函数的第一乘积，并确定第二权重与第二损失函数的第二乘积；将第一乘积与第二乘积的和确定为用于训练联合模型的混合损失函数；将已标识投诉类型的投诉工单数据作为训练数据，利用训练数据和混合损失函数迭代训练联合模型，直到达到停止条件，其中，停止条件包括以下至少之一：混合损失函数收敛、迭代次数达到预设次数。

9、可选地，投诉工单的分类方法还包括：通过以下方法更新联合模型：确定混合损失函数相对于原始模型参数的梯度，其中，原始模型参数为作为训练对象的联合模型的模型参数；根据梯度和原始模型参数确定新模型参数；将原始模型参数更新为新模型参数。

10、根据本技术实施例的另一方面，还提供了一种投诉工单的分类装置，包括：获取模块，用于获取投诉工单文本数据和用户网络感知数据，其中，投诉工单文本数据根据多个投诉工单生成，投诉工单文本数据包括：多个通信号码、多条故障描述信息，用户网络感知数据包括网络服务质量数据和用户评价数据；分析模块，用于采用联合模型对投诉工单文本数据和用户网络感知数据进行分析，得到目标输出结果，其中，目标输出结果用于指示每个投诉工单对应的投诉类型，联合模型为基于以下模型进行联合训练得到的：用于处理投诉工单文本数据的知识整合增强表示ernie模型和用于处理用户网络感知数据的分析模型。

11、根据本技术实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质中存储有计算机程序，其中，在非易失性存储介质所在设备通过运行计算机程序执行上述的投诉工单的分类方法。

12、根据本技术实施例的另一方面，还提供了一种电子设备，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为通过计算机程序执行上述的投诉工单的分类方法。

13、根据本技术实施例的另一方面，还提供了一种计算机程序产品，包括计算机指令，计算机指令被处理器执行时实现上述投诉工单的分类方法的步骤。

14、在本技术实施例中，采用获取投诉工单文本数据和用户网络感知数据，其中，投诉工单文本数据根据多个投诉工单生成，投诉工单文本数据包括：多个通信号码、多条故障描述信息，用户网络感知数据包括网络服务质量数据和用户评价数据；采用联合模型对投诉工单文本数据和用户网络感知数据进行分析，得到目标输出结果，其中，目标输出结果用于指示每个投诉工单对应的投诉类型，联合模型为基于以下模型进行联合训练得到的：用于处理投诉工单文本数据的知识整合增强表示ernie模型和用于处理用户网络感知数据的分析模型的方式，提出一种基于投诉用户工单文本及网络感知的多模态联合智能分类方法，通过由知识整合增强表示(enhanced representation through knowledge integration，ernie)模型和投诉用户网络感知分析模型联合训练得到的联合模型处理投诉工单和用户网络感知数据，联合模型在处理过程中，对投诉工单和用户网络感知数据联合处理，其中，对投诉工单进行语义识别，对用户网络感知数据进行筛选，能够从多个方面综合判别投诉用户对通信网络的感知情况，达到了将语义识别和投诉用户网络感知融合的目的，从而实现了提高网络类投诉工单识别的准确率的技术效果，进而解决了由于相关技术中采用人工的方法识别投诉工单反映的问题是否为网络问题造成的识别结果准确率低技术问题。