一种基于互联网智能推送技术的工单推送方法与流程

本发明属于互联网智能推送技术领域，具体为一种基于互联网智能推送技术的工单推送方法。

背景技术：

现有生活中，工单系统又称为工单管理系统，它是一种网络软件系统，根据不同组织，部门和外部客户的需求，来由针对的管理，维护和追踪一系列的问题和请求，一个完善功能的工单系统又可以称为帮助台系统，传统工单推送方法的推送准确率低，通常工单是根据上报人员所选的解决系统进行自动分派，但由于目前it化程度高，系统数呈多，系统间关系复杂，上报人员往往无法正确选择工单对应的解决系统，导致分派准确率较低，而且工单推送的人力成本高，由于程序缺陷、客户操作等问题，经常会出现不少相似的工单，对于这类工单有经验的人员能参照历史处理方案进行处理，这种依赖于经验的模式需要投入大量有经验的人，同时还需要对没有经验的人员或者新人进行大量培训，另外一定程度的人员流动又会造成历史经验的丢失，不断重复的培训过程将造成较高的人力成本支出，难以满足现代生活生产的需求。

技术实现要素：
：

本发明的目的就在于为了解决上述问题而提供一种基于互联网智能推送技术的工单推送方法，解决了背景技术中提到的问题。

为了解决上述问题，本发明提供了一种技术方案：

一种基于互联网智能推送技术的工单推送方法，包括以下步骤：

s1、首先数据预处理模块将工单管理系统中的数据进行抽取及清洗；

s2、分词模块将工单中的描述文本进行向量化处理；

s3、模型训练模块利用人工智能技术对历史工单进行训练，将获得的规律作为模型进行保存；

s4、联机服务模块将训练获得的模型以文件形式保存在服务器上，根据工单类型对工单进行及时分派处理；

s5、批量同步模块每日从工单处理系统增量同步办结的工单数据，并结合先前智能推荐的结果统计出当前模型的实际准确率并分析工单推送错误可能的原因。

作为优选，所述数据预处理模块包括数据抽取及数据清洗，工单管理系统中的原始工单数据无法直接用来训练，数据预处理模块会将工单的描述文本以及该笔工单的正确归属系统抽取出来存入数据库，由于工单描述中并不是所有文本内容和该工单的归属系统存在联系，所以对入库的数据还需要做一次数据清洗来减少无关信息对训练结果的影响。

作为优选，所述分词模块将工单描述文本分解为词，选用了jieba分词库来进行文本分词，该分词库采用正向最大匹配原则，通过内置词典及可扩展的外部自定义词典实现分词。

作为优选，所述模型训练模块工作流程为数据的向量化表示、数据的特征提取和数据的分类判定。

作为优选，所述模型训练模块的数据的向量化表示是通过word2vec模型将数据表示为一个固定维度的稠密向量，该向量的每一维都包含了词语特征，与传统离散型的one-hot编码方式相比，使用word2vec模型进行词向量化在训练速度上更有优势。

作为优选，所述模型训练模块对数据的特征提取选用textcnn来对词向量进行特征提取，该算法是利用卷积神经网络对文本的词向量进行特征抽取的算法，如果分解后的词向量表示为一个d维向量，则一句长度为l的文本可以表示为一个lxd的矩阵，为了从一维卷积中获取不同的特征向量，使用可变宽度且大小为nxd的卷积核对该文本进行特征提取，这样每一个卷积核都会输出l-n+1个特征向址，将每一组卷积核提取到的特征向量的最大值级联可以得到该组卷积核的最终特征向量，再将每一组卷积核最终特征向量的最大值级联可以得到该文本的最终特征向量。

作为优选，所述模型训练模块中数据的分类判定是将所有文本的特征向量输入基于多项式分布建模的softmax分类器进行分类判定，输出每一个文本对应的类别并与已有的标签进行对比，通过验证分类结果和标注结果，进而不断反馈调整模型的参数，经过大量迭代的训练后保存分类准确率最高的模型及其权重参数。

作为优选，所述联机服务模块启动时会预加载模型并为工单处理系统提供一个基于restapi规范的联机接口，此联机接口的输入为待分派工单的描述文本，输出为智能推送系统所推荐的系统，运维人员在工单处理系统上可根据智能推送系统返回的结果对工单进行及时分派处理。

作为优选，所述批量同步模块智能推送系统每日从工单处理系统增量同步办结的工单数据，内容包括工单描述及解决系统利用最新的工单数据，智能推送系统可以定期重新训练并更新现有模型，同时已办结工单的最终处理结果可以反馈给智能推送系统，结合先前智能推荐的结果统计出当前模型的实际准确率并分析推送错误可能的原因。

本发明的有益效果是：本发明结构紧凑，操作简单便捷，实用性强，作业准确率大幅提高，且工单整体的办结效率也有了一定提升，智能推送系统利用工单办结后反馈的结果数据可以定期更新模型及自我学习，不断优化模型的准确率，提高工单的推送准确率并有效提高工单处理效率，最终提升客户满意度，同时替代人工推送模式可以一定程度减少人力成本及重复的培训成本。

附图说明：

为了易于说明，本发明由下述的具体实施及附图作以详细描述。

图1是本发明的模块框图。

具体实施方式：

如图1所示，本发明具体实施方式采用以下技术方案：

实施例：

一种基于互联网智能推送技术的工单推送方法，包括以下步骤：

s1、首先数据预处理模块将工单管理系统中的数据进行抽取及清洗；

s2、分词模块将工单中的描述文本进行向量化处理；

s3、模型训练模块利用人工智能技术对历史工单进行训练，将获得的规律作为模型进行保存；

s4、联机服务模块将训练获得的模型以文件形式保存在服务器上，根据工单类型对工单进行及时分派处理；

s5、批量同步模块每日从工单处理系统增量同步办结的工单数据，并结合先前智能推荐的结果统计出当前模型的实际准确率并分析工单推送错误可能的原因。

其中，数据预处理模块包括数据抽取及数据清洗，工单管理系统中的原始工单数据无法直接用来训练，数据预处理模块会将工单的描述文本以及该笔工单的正确归属系统抽取出来存入数据库，由于工单描述中并不是所有文本内容和该工单的归属系统存在联系，所以对入库的数据还需要做一次数据清洗来减少无关信息对训练结果的影响。

其中，分词模块将工单描述文本分解为词，选用了jieba分词库来进行文本分词，该分词库采用正向最大匹配原则，通过内置词典及可扩展的外部自定义词典实现分词。

其中，模型训练模块工作流程为数据的向量化表示、数据的特征提取和数据的分类判定。

其中，模型训练模块的数据的向量化表示是通过word2vec模型将数据表示为一个固定维度的稠密向量，该向量的每一维都包含了词语特征，与传统离散型的one-hot编码方式相比，使用word2vec模型进行词向量化在训练速度上更有优势。

其中，模型训练模块对数据的特征提取选用textcnn来对词向量进行特征提取，该算法是利用卷积神经网络对文本的词向量进行特征抽取的算法，如果分解后的词向量表示为一个d维向量，则一句长度为l的文本可以表示为一个lxd的矩阵，为了从一维卷积中获取不同的特征向量，使用可变宽度且大小为nxd的卷积核对该文本进行特征提取，这样每一个卷积核都会输出l-n+1个特征向址，将每一组卷积核提取到的特征向量的最大值级联可以得到该组卷积核的最终特征向量，再将每一组卷积核最终特征向量的最大值级联可以得到该文本的最终特征向量。

其中，模型训练模块中数据的分类判定是将所有文本的特征向量输入基于多项式分布建模的softmax分类器进行分类判定，输出每一个文本对应的类别并与已有的标签进行对比，通过验证分类结果和标注结果，进而不断反馈调整模型的参数，经过大量迭代的训练后保存分类准确率最高的模型及其权重参数。

其中，联机服务模块启动时会预加载模型并为工单处理系统提供一个基于restapi规范的联机接口，此联机接口的输入为待分派工单的描述文本，输出为智能推送系统所推荐的系统，运维人员在工单处理系统上可根据智能推送系统返回的结果对工单进行及时分派处理。

其中，批量同步模块智能推送系统每日从工单处理系统增量同步办结的工单数据，内容包括工单描述及解决系统利用最新的工单数据，智能推送系统可以定期重新训练并更新现有模型，同时已办结工单的最终处理结果可以反馈给智能推送系统，结合先前智能推荐的结果统计出当前模型的实际准确率并分析推送错误可能的原因。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。