一种工单预警方法、装置及电子设备与流程

1.本发明涉及计算机技术领域，特别是涉及一种工单预警方法、装置及电子设备。


背景技术：

2.当前在处理客户故障工单时，各工单类型不同，环节不同，若一个环节出现相对的超时，可能会导致整个工单的处理超时，而各个工单环节都需要人工管控，由于工单数量庞大，往往需要较多人员，经常会出现人员配备不足的情况，并且人工进行管控也可能出现误差，进而导致工单处理进一步的出现超时问题。


技术实现要素：

3.本发明实施例的目的在于提供一种工单预警方法、装置及电子设备，以减少工单超时风险。具体技术方案如下：
4.在本发明的第一方面，提供了一种工单预警方法，所述方法包括：
5.确定目标工单的工单故障内容、处理备注说明、工单处理时限和处理环节类型，其中，所述工单故障内容和所述处理备注说明为文字型信息，所述工单处理时限和所述处理环节类型为数字型信息；
6.将所述工单故障内容、所述处理备注说明、所述工单处理时限和所述处理环节类型输入至第一神经网络模型，得到所述第一神经网络模型输出的第一工单预警程度；
7.若所述第一工单预警程度大于预设阈值，进行预警；
8.其中，所述第一神经网络模型预先经过样本数据的训练，所述样本数据包括：
9.样本工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息，其中，所述工单预警信息用于表示所述样本工单的超时状况。
10.在一种可能的实施例中，所述第一神经网络模型包括：双向循环神经网络、单向循环神经网络、深度神经网络，其中，所述双向循环神经网络和所述单向循环神经网络用于处理所述第一神经网络模型的输入中的文字型信息，所述深度神经网络用于处理所述第一神经网络模型的输入中的数字型信息。
11.在一种可能的实施例中，所述将所述工单故障内容、所述处理备注说明、所述工单处理时限和所述处理环节类型输入至第一神经网络模型，得到所述第一神经网络模型输出的第一工单预警程度，包括：
12.将所述工单故障内容和所述处理备注说明进行分词，得到工单故障内容分词和处理备注说明分词；
13.将所述工单故障内容分词和所述处理备注说明分词输入预训练词库，得到工单故障内容索引和所述处理备注说明索引；
14.将所述工单故障内容索引和所述处理备注说明索引转化为工单故障内容词向量和处理备注说明词向量；
15.将所述工单故障内容词向量、处理备注说明词向量、工单处理时限和环节状态类
型输入至第一神经网络模型，得到所述第一神经网络模型输出的第一工单预警程度。
16.在一种可能的实施例中，将所述工单故障内容、所述处理备注说明、所述工单处理时限和所述处理环节类型输入至第一神经网络模型，得到所述第一神经网络模型输出的第一工单预警程度，包括：
17.将所述工单故障内容、所述处理备注说明、所述工单处理时限和所述处理环节类型输入至第一神经网络模型，以使得所述第一神经网络模型将所述工单处理时限与所述环节状态类型和第一可学习权重与第二可学习权重加权堆叠，得到第三可学习权重，得到所述第一神经网络模型输出的第一工单预警程度，其中，所述第一可学习权重为所述工单处理时限对应的权重，所述第二可学习权重为所述环节状态类型对应的权重，所述第四可学习权重为所述工单故障内容对应的权重，所述第五可学习权重为所述处理备注说明所对应的权重，所述第一可学习权重与所述第二可学习权重负相关，所述第三可学习权重、第四可学习权重与第五可学习权重负相关。
18.在一种可能的实施例中，所述第一神经网络模型是通过以下方式预先训练得到的：
19.为所述样本工单的所述工单处理时限设置第一可学习权重，并根据所述第一可学习权重获得第二可学习权重；
20.将所述样本工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息输入至初始神经网络模型，使所述初始神经网络模型输出第二工单预警程度；
21.根据所述第二工单预警程度和所述工单预警信息调整所述第一可学习权重、第二可学习权重、第三可学习权重、第四可学习权重和第五可学习权重，得到所述第一神经网络模型。
22.在一种可能的实施例中，所述得到所述第一神经网络模型，包括：
23.将验证工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息输入至已经调整权重的初始神经网络模型中，使所述已经调整权重的初始神经网络模型输出第三工单预警程度；
24.根据所述工单预警信息验证所述第三工单预警程度；
25.若所述第三工单预警程度符合所述工单预警信息，将所述已经调整权重的初始神经网络模型作为第一神经网络模型；
26.若所述第三工单预警程度不符合所述工单预警信息，对所述已经调整权重的初始神经网络重新进行训练。
27.在本发明的第二方面，提供了一种工单预警装置，所述装置包括：
28.数据获取模块，用于确定目标工单的工单故障内容、处理备注说明、工单处理时限和处理环节类型，其中，所述工单故障内容和所述处理备注说明为文字型信息，所述工单处理时限和所述处理环节类型为数字型信息；
29.预警程度获取模块，用于将所述工单故障内容、所述处理备注说明、所述工单处理时限和所述处理环节类型输入至第一神经网络模型，得到所述第一神经网络模型输出的第一工单预警程度；
30.预警模块，用于若所述第一工单预警程度大于预设阈值，进行预警；
31.其中，所述第一神经网络模型预先经过样本数据的训练，所述样本数据包括：
32.样本工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息，其中，所述工单预警信息用于表示所述样本工单的超时状况。
33.在一种可能的实施例中，，所述第一神经网络模型包括：双向循环神经网络、单向循环神经网络、深度神经网络，其中，所述双向循环神经网络和所述单向循环神经网络用于处理所述第一神经网络模型的输入中的文字型信息，所述深度神经网络用于处理所述第一神经网络模型的输入中的数字型信息。
34.在一种可能的实施例中，，所述预警程度获取模块，包括：
35.分词单元，用于将所述工单故障内容和所述处理备注说明进行分词，得到工单故障内容分词和处理备注说明分词；
36.索引单元，用于将所述工单故障内容分词和所述处理备注说明分词输入预训练词库，得到工单故障内容索引和所述处理备注说明索引；
37.词向量获取单元，用于将所述工单故障内容索引和所述处理备注说明索引转化为工单故障内容词向量和处理备注说明词向量；
38.预警程度获取单元，用于将所述工单故障内容词向量、处理备注说明词向量、工单处理时限和环节状态类型输入至第一神经网络模型，得到所述第一神经网络模型输出的第一工单预警程度。
39.在一种可能的实施例中，所述预警程度获取模块具体用于，将所述工单故障内容、所述处理备注说明、所述工单处理时限和所述处理环节类型输入至第一神经网络模型，以使得所述第一神经网络模型将所述工单处理时限与所述环节状态类型和第一可学习权重与第二可学习权重加权堆叠，得到第三可学习权重，得到所述第一神经网络模型输出的第一工单预警程度，其中，所述第一可学习权重为所述工单处理时限对应的权重，所述第二可学习权重为所述环节状态类型对应的权重，所述第四可学习权重为所述工单故障内容对应的权重，所述第五可学习权重为所述处理备注说明所对应的权重，所述第一可学习权重与所述第二可学习权重负相关，所述第三可学习权重、第四可学习权重与第五可学习权重负相关。
40.在一种可能的实施例中，所述装置还包括：
41.学习权重设置模块，用于为所述样本工单的所述工单处理时限设置第一可学习权重，并根据所述第一可学习权重获得第二可学习权重；
42.第二工单预警获取模块，用于将所述样本工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息输入至初始神经网络模型，使所述初始神经网络模型输出第二工单预警程度；
43.神经网络模型获取模块，用于根据所述第二工单预警程度和所述工单预警信息调整所述第一可学习权重、第二可学习权重、第三可学习权重、第四可学习权重和第五可学习权重，得到所述第一神经网络模型。
44.在一种可能的实施例中，所述神经网络模型获取模块，包括：
45.第三工单预警获取单元，用于将验证工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息输入至已经调整权重的初始神经网络模型中，使所述已经调整权重的初始神经网络模型输出第三工单预警程度；
46.验证单元，用于根据所述工单预警信息验证所述第三工单预警程度；
47.神经网络模型获取单元，用于若所述第三工单预警程度符合所述工单预警信息，将所述已经调整权重的初始神经网络模型作为第一神经网络模型；
48.训练单元，用于若所述第三工单预警程度不符合所述工单预警信息，对所述已经调整权重的初始神经网络重新进行训练。
49.在本发明的第三方面，本发明还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
50.存储器，用于存放计算机程序；
51.处理器，用于执行存储器上所存放的程序时，实现上述第一方面任一所述的方法步骤。
52.在本发明的第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一所述的方法步骤。
53.本发明实施例有益效果：
54.本发明实施例提供的一种工单预警方法，通过确定目标工单的工单故障内容、处理备注说明、工单处理时限和处理环节类型，将关于目标工单中的各关键信息输入到已经训练好的第一神经网络模型中，从而提取出影响目标工单处理时限的关键特征，使第一神经网络模型输出第一工单预警程度，在第一工单预警程度超过预设阈值时，对该目标工单进行超时预警，实现了目标工单超时的自动预警，使得可以后续对超时的目标工单采取相应措施，进而降低工单的超时风险。
55.当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
56.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。
57.图1为本发明实施例提供的一种工单预警方法的一种流程示意图；
58.图2为本发明实施例提供的第一神经网络模型的一种结构示意图；
59.图3为本发明实施例提供的另一种工单预警方法的一种流程示意图；
60.图4为本发明实施例提供的另一种工单预警方法的一种流程示意图；
61.图5为本发明实施例提供的第一神经网络模型的一种部分结构图；
62.图6为本发明实施例提供的第一神经网络模型的另一种部分结构图；
63.图7为本发明实施例提供的第一神经网络模型的训练方法的一种流程示意图；
64.图8为本发明实施例提供的另一种第一神经网络模型训练方法的一种流程示意图；
65.图9为本发明实施例提供的一种工单预警装置的结构示意图；
66.图10为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
67.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员基于本发明所获得的所有其他实施例，都属于本发明保护的范围。
68.参见图1，图1为本发明实施例提供的一种工单预警方法的流程示意图，可以包括：
69.s101，确定目标工单的工单故障内容、处理备注说明、工单处理时限和处理环节类型。
70.s102，将工单故障内容、处理备注说明、工单处理时限和处理环节类型输入至第一神经网络模型，得到第一神经网络模型输出的第一工单预警程度。
71.s103，若第一工单预警程度大于预设阈值，进行预警。
72.选用该实施例，通过确定目标工单的工单故障内容、处理备注说明、工单处理时限和处理环节类型，将关于目标工单中的各关键信息输入到已经训练好的第一神经网络模型中，从而提取出影响目标工单处理时限的关键特征，使第一神经网络模型输出第一工单预警程度，在第一工单预警程度超过预设阈值时，对该目标工单进行超时预警，实现了目标工单超时的自动预警，使得可以后续对超时的目标工单采取相应措施，进而降低工单的超时风险。
73.其中，在s101中，工单故障内容和处理备注说明为用文本表示的文字型信息，工单处理时限和处理环节类型为用数值表示的数字型信息。工单故障内容可以是目标工单中包含的客户反映的故障，处理备注说明可以是目标工单的特殊处理要求等，可以理解的是，工单故障内容和处理备注说明通常都是通过文字信息表现的，工单处理时限可以包括目标工单整个工单的处理时限和目标工单中各处理环节的处理时限，处理环节类型可以是目标工单中各环节的处理状态，示例性的，可以将已处理完成的环节标识为1，未处理的环节标识为0，正在处理的环节标识为2，可以理解的是，上述工单处理时限和处理环节类型都是可以通过数字型信息表示的。在接收到客户的故障工单时，工单中通常会包含工单的标题、工单的故障内容、工单的处理时限、工单的处理备注、工单的处理环节类型和工单中各环节的环节用时等，而从上述工单的各信息中可以获取到目标工单的工单故障内容、处理备注说明、工单处理时限和处理环节类型，而目标工单中用于表示工单故障内容、处理备注说明、工单处理时限和处理环节类型的内容都有一定的可循时序序列特征，蕴含了高级语义特征，因此，对目标工单的工单故障内容、处理备注说明、工单处理时限和处理环节类型进行获取，可以以便后续对能够体现目标工单是否超时的各特征进行提取。
74.其中，在s102中，第一神经网络模型预先经过样本数据的训练，样本数据包括：样本工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息，其中，工单预警信息用于表示样本工单的超时状况。
75.第一神经网络模型是预先通过样本数据训练得到的，样本数据除了包含样本工单的工单故障内容、处理备注说明、工单处理时限和处理环节类型，还包含用于表示样本工单的超时情况的工单预警信息，可以理解的是，工单预警信息可以用于表示样本工单的处理是否超时，由于样本数据中包含了样本工单的工单预警信息，在后续使用样本数据训练初始神经网络模型得到第一神经网络模型的过程中，可以根据输出的样本工单的工单预警程
度和实际的样本工单的工单预警信息调整初始神经网络模型来获得第一神经网络模型，使得第一神经网络模型可以准确预测目标工单的第一工单预警程度。
76.将目标工单中的工单故障内容、处理备注说明、工单处理时限和处理环节类型输入至已经训练好的第一神经网络模型中，可以通过第一神经网络模型对目标工单的各特征进行提取，进而获得可以准确体现目标工单的超时情况的第一工单预警程度，可以理解的是，第一工单预警程度可以是预计目标工单的处理总时限超过规定时限的概率。
77.其中，在s103中，预设阈值可以是本领域技术人员根据经验和/或第一神经网络模型的训练情况预先设置的，预设阈值可以是一个以概率的形式表示的阈值，例如50％、70％等等，在其他可能的实施例中，预设阈值也可以是以概率以外的形式表示的，若第一工单预警程度表示的概率大于预设阈值，则判断该目标工单的处理会超时，需要对该目标工单进行预警，使得该目标工单可以得到进一步的加快处理。
78.在实际应用中，虽然目标工单的工单故障内容、处理备注说明、工单处理时限和处理环节类型这些数据维度蕴含了高级语义特征，但是这些特征无法基于传统机器学习来提取，因此，本发明还提供了一种第一神经网络模型构建方法，在一种可能的实施例中，第一神经网络模型包括：双向循环神经网络、单向循环神经网络、深度神经网络。
79.其中，双向循环神经网络和单向循环神经网络用于处理第一神经网络模型的输入中的文字型信息，深度神经网络用于处理第一神经网络模型的输入中的数字型信息。
80.如前所述，获取的目标工单的工单故障内容、处理备注说明、工单处理时限和处理环节类型这些数据中工单故障内容和处理备注说明是文字型信息，工单处理时限和处理环节类型是数字型信息，因此，无法如传统的神经网络模型一样采用简单的单流程神经网络来处理上述数据，而需要采用循环神经网络(rnn)和深度神经网络(dnn)的多输入混合神经网络结构来搭建神经网络模型。其中，循环神经网络中可以包括双向循环神经网络和单向循环神经网络，都用来处理工单故障内容和处理备注说明这样的文字型信息，具体地，双向循环神经网络可以在文本信息序列中的某点处，不仅获取到该点之前的信息，还能预测该点之后的信息，而单向循环神经网络可以处理任意长度的序列，在自然语言处理中的应用非常广泛，比如机器翻译、文本生成、问答系统、文本分类等，将双向循环神经网络和单向循环神经网络结合来处理第一神经网络模型中的文字信息，可以很好的提取到文字信息表达的特征。深度神经网络可以用较少的参数表示复杂的函数，可以很好的处理单纯的数字型信息。
81.在一种可能的实施例中，如图2的第一神经网络模型的结构图所示，可以将双向长短期记忆网络(bi-lstm)作为双向循环神经网络层的网络，将单向长短期记忆网络(lstm)作为单向循环神经网络层的网络。双向长短期记忆网络由两个信息传递相反的单向长短期记忆网络循环层构成，其中第一层按时间顺序传递信息，第二层按时间逆序传递信息，这样不仅能利用到过去的信息，还能捕捉到后续的信息，例如在文字信息的特征获取中，用双向长短期记忆网络就可以利用好上下文的信息。单向长短期记忆网络可以保留过去的信息，在双向长短期记忆网络后使用单向长短期记忆网络可以保留已经获取到的文字信息中的特征，进一步的，提高了文字信息特征获取的效率。
82.选用该实施例，可以针对工单故障内容、处理备注说明、工单处理时限和处理环节类型这些数据信息构建出针对性的第一神经网络模型，从而准确有效地提取出其蕴含的语
义特征，进而使得第一神经网络模型可以准确预测目标工单的第一工单预警程度。
83.在一种可能的实施例中工单故障内容、处理备注说明、工单处理时限、处理环节类型在通过双向循环神经网络、单向循环神经网络和深度神经网络对进行处理后，还可以通过全连接网络继续进行处理。具体地，全连接网络可以采用sigmoid函数作为激活函数。
84.可以理解的是，文字型信息不同于数字型信息，若直接将文字型信息输入至第一神经网络模型中，模型是无法直接识别计算的，因此，本发明还提供了一种工单预警方法，如图3所示，包括：
85.s301，确定目标工单的工单故障内容、处理备注说明、工单处理时限和处理环节类型。
86.该步骤与前述s101相同，可以参见前述s101的相关说明，在此不再赘述。
87.s302，将工单故障内容和处理备注说明进行分词，得到工单故障内容分词和处理备注说明分词。
88.s303，将工单故障内容分词和处理备注说明分词输入预训练词库，得到工单故障内容索引和处理备注说明索引。
89.s304，将工单故障内容索引和处理备注说明索引转化为工单故障内容词向量和处理备注说明词向量。
90.s305，将工单故障内容词向量、处理备注说明词向量、工单处理时限和环节状态类型输入至第一神经网络模型，得到第一神经网络模型输出的第一工单预警程度。
91.s306，若第一工单预警程度大于预设阈值，进行预警。
92.该步骤与前述s103相同，可以参见前述s103的相关说明，在此不再赘述。
93.其中，在s302中，将工单故障内容和处理备注说明进行分词，可以是将工单故障内容和处理备注说明按照主谓宾的语法进行分词，例如，将“我喜欢文学”进行分词，可以得到“我，喜欢，文学”，具体地，可以使用结巴分词这样的分词工具来进行分词。
94.在一种可能的实施例中，可以采用北京师范大学中文信息处理研究所与中国人民大学dbiir实验室的研究者开源的包含26万词向量的分词库对工单故障内容和处理备注说明进行分词，索引化并得到词向量，从而提高获得的词向量的准确性。
95.其中，在s303中，在获得工单故障内容分词和处理备注说明分词之后，可以将上述分词输入至预训练词库中，通过预训练词库为各个分词确定出其索引标识，将各索引标识对应的按照工单故障内容和处理备注说明的文字顺序进行排列，得到工单故障内容索引和处理备注说明索引。示例性的，若获得的工单故障内容分词为“我，喜欢，文学”，在预训练词库中确定出“我”的索引标识为2，“喜欢”的索引标识为345，“文学”的索引标识为4564，则可以确定出“我喜欢文学”对应的索引为[2,345,4564]。
[0096]
其中，在s304中，将获得的上述工单故障内容索引和处理备注说明索引词向量化，也就是将上述索引转化为向量形式的数字信息，示例性的，在将上述索引转化为词向量的过程可以是将上述[2,345,4564]这样的向量长度为3的索引，转化为维度为300且长度为3的矩阵，这样就得到了一个以矩阵形式表示的词向量，可以理解的是，词向量的维度是可以根据需求进行设置的，本发明对此并不限定。
[0097]
其中，在s305中，文字型信息都已经转化为第一神经网络模型可以识别的词向量，而数字型信息可以直接输入至第一神经网络模型中，因此，在此步骤中，将工单故障内容词
向量、处理备注说明词向量、工单处理时限和环节状态类型输入至第一神经网络模型中。
[0098]
选用该实施例，可以将文字型信息准确转化为第一神经网络模型可以识别的词向量，保障了第一神经网络模型的输入的正常接收，进而，提高了第一神经网络模型对输入的文字型信息的特征提取的准确性。
[0099]
在一种可能的实施例中，本发明还提供了一种工单预警方法，如图4所示，方法包括：
[0100]
s401，确定目标工单的工单故障内容、处理备注说明、工单处理时限和处理环节类型。
[0101]
该步骤与前述s101相同，可以参见前述s101的相关说明，在此不再赘述。
[0102]
s402，将工单故障内容、处理备注说明、工单处理时限和处理环节类型输入至第一神经网络模型，以使得第一神经网络模型将工单处理时限与环节状态类型和第一可学习权重与第二可学习权重加权堆叠，得到第三可学习权重，得到第一神经网络模型输出的第一工单预警程度。
[0103]
s403，若第一工单预警程度大于预设阈值，进行预警。
[0104]
该步骤与前述s103相同，可以参见前述s103的相关说明，在此不再赘述。
[0105]
其中，在s402中，第一可学习权重为工单处理时限对应的权重，第二可学习权重为环节状态类型对应的权重，第四可学习权重为工单故障内容对应的权重，第五可学习权重为处理备注说明所对应的权重，第一可学习权重与第二可学习权重负相关，第三可学习权重、第四可学习权重与第五可学习权重负相关。
[0106]
第一神经网络模型在获取到工单故障内容、所述处理备注说明、所述工单处理时限和所述处理环节类型对应的特征后，还需要为上述特征确定出权重，使得后续可以对上述特征进行加权处理，进而使得第一神经网络模型可以输出目标工单的第一工单预警程度。具体地，工单故障内容对应第四可学习权重，处理备注说明对应第五可学习权重，工单处理时限对应第一可学习权重，处理环节类型对应第二可学习权重，其中，由于工单处理时限和处理环节类型都为数字型信息，在将输入至第一神经网络模型的工单处理时限和处理环节类型一同处理，将第一可学习权重与第二可学习权重作为一组权重，使第一可学习权重与第二可学习权重负相关，示例性的，可以将第一可学习权重和第二可学习权重之和设为1。将工单处理时限和处理环节类型分别预期对应的权重加权叠加，从而获得所有数字型信息对应的第三可学习权重。再将数字型信息与文字型信息关联起来，将第三可学习权重、第四可学习权重和第五可学习权重相互负相关，示例性的，可以将第三可学习权重、第四可学习权重和第五可学习权重之和设为1。
[0107]
选用该实施例，可以为各特征获得合理分配的权重，进而提高了获得的第一工单预警程度对目标工单预测的准确性。
[0108]
在一种可能的实施例中，可以使sigmoid函数作为第一可学习函数和第二可学习权重的权重控制函数，参见图5所示的第一神经网络模型的部分结构图，具体地，可以将第一可学习权重设为θ1，将第二可学习权重设为θ2，将工单处理时限设置为x1，将处理环节类型设为x2，将工单处理时限和处理环节类型与加权叠加的结果设为θ3，则：
[0109]
[0110]
θ2＝1-θ1[0111]
θ3＝sigmoid(θ1)
×
x1+x2×
(1-sigmoid(θ1))
×
sigmoid(θ2)
[0112]
在一种可能的实施例中，可以使用softmax函数作为第四可学习函数和第五可学习权重的权重控制函数，参见图6所示的第一神经网络模型的部分结构图，具体地，可以将第四可学习权重设为θ4，将第五可学习权重设为θ5，将前一节点的输出分别设为z1，z2，z3，则
[0113][0114][0115][0116]
从而得到需要进行三者叠加的θ3，θ4，θ5。
[0117]
可以理解的是，本发明在第一神经网络模型中为各个特征设置了权重，而而仅仅根据人工经验进行设置，无法获得最优的权重设置，进而会影响到第一神经网络输出的第一工单预警程度的准确性，基于此，本发明还提供了一种第一神经网络模型的训练方法，如图7所示，包括：
[0118]
s701，为样本工单的工单处理时限设置第一可学习权重，并根据第一可学习权重获得第二可学习权重。
[0119]
s702，将样本工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息输入至初始神经网络模型，使初始神经网络模型输出第二工单预警程度。
[0120]
s703，根据第二工单预警程度和工单预警信息调整第一可学习权重、第二可学习权重、第三可学习权重、第四可学习权重和第五可学习权重，得到第一神经网络模型。
[0121]
其中，在s701中，将样本工单的工单处理时限对应的权重设置为第一可学习权重，具体地，第一可学习权重的值可以是根据本领域技术人员的经验进行设置，而第一可以学习权重与第二可学习权重负相关，因此，基于设置的第一可学习权重可以得到第二可学习权重。
[0122]
其中，在s702中，可以理解的是，第一神经网络模型和初始神经网络模型的结构是相同的，只是初始神经网络模型是还未经过训练的模型。将样本工单中的训练数据输入到未经训练的初始神经网络模型中，使初始神经网络模型根据设置的权重对各特征进行处理获得对样本工单预测的第二工单预警程度。
[0123]
其中，在s703中，第二工单预警程度是初始神经网络模型对样本工单预测的超时情况，而样本工单的工单预警信息包含了实际上样本工单的超时情况，根据工单预警信息和第二工单预警程度调整各可学习权重，可以是构建关于第二工单预警程度与工单预警信息差值的目标损失函数，通过反向传播算法计算使得目标损失函数函数值最小的权重值，从而根据计算得到的权重值优化事先设置的第一可学习权重，进而获得调整后的第二可学习权重、第三可学习权重、第四可学习权重和第五课学习权重。
[0124]
选用该实施例，可以通过训练将预先人工设置的权重调整成最优的权重，值，从而为从工单故障内容、处理备注说明、工单处理时限、处理环节类型中获取的特征分配了合理
的权重值，使得训练得到的第一神经网络模型可以输出准确的第一工单预警程度。
[0125]
在一种可能的实施例中，在对初始神经网络模型进行训练调整后，若不对调整后的初始神经网络模型进行验证就直接将调整后的初始神经网络模型作为第一神经网络模型，可能无法得知该第一神经网络模型是否可以准确输出第一工单预警程度，基于此，本发明还提供了一种第一神经网络模型训练方法，如图8所示，包括：
[0126]
s801，为样本工单的工单处理时限设置第一可学习权重，并根据第一可学习权重获得第二可学习权重。
[0127]
该步骤与前述s701相同，可以参见前述s701的相关说明，在此不再赘述。
[0128]
s802，将样本工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息输入至初始神经网络模型，使初始神经网络模型输出第二工单预警程度。
[0129]
该步骤与前述s702相同，可以参见前述s702的相关说明，在此不再赘述。
[0130]
s803，根据第二工单预警程度和工单预警信息调整第一可学习权重、第二可学习权重、第三可学习权重、第四可学习权重和第五可学习权重。
[0131]
该步骤与前述s703类似，只是没有直接将调整权重后的初始神经网络模型作为第一神经网络模型，可以参见前述s703的相关说明，在此不再赘述。
[0132]
s804，将验证工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息输入至已经调整权重的初始神经网络模型中，使所述已经调整权重的初始神经网络模型输出第三工单预警程度。
[0133]
该步骤与前述s702类似，只是输入的是验证工单的数据，使用的是已经调整权重的初始神经网络模型，得到的是验证工单对应的第三工单预警程度，可以参见前述s703的相关说明，在此不再赘述。
[0134]
s805，根据所述工单预警信息验证所述第三工单预警程度。
[0135]
s806，若第三工单预警程度符合工单预警信息，将已经调整权重的初始神经网络模型作为第一神经网络模型。
[0136]
s807，若第三工单预警程度不符合工单预警信息，对已经调整权重的初始神经网络模型重新进行训练。
[0137]
其中，在s805中，根据验证工单的工单预警信息可以用于表示验证工单的处理是否超时，而第三工单预警程度可以是验证工单超时的概率值，根据工单预警信息验证第三工单预警程度可以是判断第三工单预警程度中的概率值是否准确，示例性的，若工单预警信息中表示验证工单的处理是超时的，第三工单预警程度中的概率值大于预设阈值，即，第三工单预警程度预测验证工单会超时，可以理解的是，第三工单预警程度预测符合实际情况，则第三工单预警程度符合工单预警信息，反之，若第三工单预警程度中的概率值小于预设阈值，则第三工单预警程度不符合工单预警信息。
[0138]
其中，在s806中，若第三工单预警程度符合工单预警信息，则说明已经调整权重的初始神经网络模型可以准确预测工单的超时情况，因此，可以将已经调整权重的初始神经网络模型作为第一神经网络模型。在一种可能的实施例中，可以对已经调整权重的初始神经网络模型进行预设次数的验证，若预设次数的验证的结果均表示第三工单预警程度符合工单预警信息，则可以将给已经调整权重的初始神经网络模型作为第一神经网络模型。
[0139]
其中，在s807中，若第三工单预警程度不符合工单预警信息，则说明已经调整权重
的初始神经网络模型无法准确预测工单的超时情况，因此，还需要对初始神经网络模型进行进一步的训练，再次对初始神经网络模型中的各权重进行调整。
[0140]
选用该实施例，可以确保训练得到的第一神经网络模型准确预测目标工单的第一工单预警程度，从而提高了第一工单预警程度的有效性。
[0141]
在一种可能的实施例中，在对第一神经网络模型进行训练时，可以是采用tensorflow 2.6深度学习框架构建第一神经网络模型，并采用dataloader(数据迭代器)方式小批量(mini-batch(小批量梯度下降)，batch-size(批量大小)＝64)方式进行50个epoch(1个epoch表示将所有的数据送入网络中，完成了一次前向计算和反向传播的过程)的训练。
[0142]
在一种可能的实施例中，在对第一神经网络模型进行训练时，可以指定cuda_visible_devices(cuda的环境变量)环境参数，其中，使用cuda(统一计算设备架构)环境变量cuda_visible_devices可以限定cuda程序所能使用的gpu，从而把数据分别式放到多张gpu显卡上并发进行训练，提高训练效率。
[0143]
在一种可能的实施例中，在对第一神经网络模型进行训练时，也可以对输入的数据维度进行调整，使得第一神经网络模型输出的第一工单预警程度更加准确。
[0144]
参见图9，图9所示为本发明实施例提供的一种工单预警装置的结构示意图，可以包括：
[0145]
数据获取模块901，用于确定目标工单的工单故障内容、处理备注说明、工单处理时限和处理环节类型，其中，所述工单故障内容和所述处理备注说明为文字型信息，所述工单处理时限和所述处理环节类型为数字型信息；
[0146]
预警程度获取模块902，用于将所述工单故障内容、所述处理备注说明、所述工单处理时限和所述处理环节类型输入至第一神经网络模型，得到所述第一神经网络模型输出的第一工单预警程度；
[0147]
预警模块903，用于若所述第一工单预警程度大于预设阈值，进行预警；
[0148]
其中，所述第一神经网络模型预先经过样本数据的训练，所述样本数据包括：
[0149]
样本工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息，其中，所述工单预警信息用于表示所述样本工单的超时状况。
[0150]
在一种可能的实施例中，，所述第一神经网络模型包括：双向循环神经网络、单向循环神经网络、深度神经网络，其中，所述双向循环神经网络和所述单向循环神经网络用于处理所述第一神经网络模型的输入中的文字型信息，所述深度神经网络用于处理所述第一神经网络模型的输入中的数字型信息。
[0151]
在一种可能的实施例中，，所述预警程度获取模块902，包括：
[0152]
分词单元，用于将所述工单故障内容和所述处理备注说明进行分词，得到工单故障内容分词和处理备注说明分词；
[0153]
索引单元，用于将所述工单故障内容分词和所述处理备注说明分词输入预训练词库，得到工单故障内容索引和所述处理备注说明索引；
[0154]
词向量获取单元，用于将所述工单故障内容索引和所述处理备注说明索引转化为工单故障内容词向量和处理备注说明词向量；
[0155]
预警程度获取单元，用于将所述工单故障内容词向量、处理备注说明词向量、工单
处理时限和环节状态类型输入至第一神经网络模型，得到所述第一神经网络模型输出的第一工单预警程度。
[0156]
在一种可能的实施例中，所述预警程度获取模块902具体用于，将所述工单故障内容、所述处理备注说明、所述工单处理时限和所述处理环节类型输入至第一神经网络模型，以使得所述第一神经网络模型将所述工单处理时限与所述环节状态类型和第一可学习权重与第二可学习权重加权堆叠，得到第三可学习权重，得到所述第一神经网络模型输出的第一工单预警程度，其中，所述第一可学习权重为所述工单处理时限对应的权重，所述第二可学习权重为所述环节状态类型对应的权重，所述第四可学习权重为所述工单故障内容对应的权重，所述第五可学习权重为所述处理备注说明所对应的权重，所述第一可学习权重与所述第二可学习权重负相关，所述第三可学习权重、第四可学习权重与第五可学习权重负相关。
[0157]
在一种可能的实施例中，所述装置还包括：
[0158]
学习权重设置模块，用于为所述样本工单的所述工单处理时限设置第一可学习权重，并根据所述第一可学习权重获得第二可学习权重；
[0159]
第二工单预警获取模块，用于将所述样本工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息输入至初始神经网络模型，使所述初始神经网络模型输出第二工单预警程度；
[0160]
神经网络模型获取模块，用于根据所述第二工单预警程度和所述工单预警信息调整所述第一可学习权重、第二可学习权重、第三可学习权重、第四可学习权重和第五可学习权重，得到所述第一神经网络模型。
[0161]
在一种可能的实施例中，所述神经网络模型获取模块，包括：
[0162]
第三工单预警获取单元，用于将验证工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息输入至已经调整权重的初始神经网络模型中，使所述已经调整权重的初始神经网络模型输出第三工单预警程度；
[0163]
验证单元，用于根据所述工单预警信息验证所述第三工单预警程度；
[0164]
神经网络模型获取单元，用于若所述第三工单预警程度符合所述工单预警信息，将所述已经调整权重的初始神经网络模型作为第一神经网络模型；
[0165]
训练单元，用于若所述第三工单预警程度不符合所述工单预警信息，对所述已经调整权重的初始神经网络重新进行训练。
[0166]
本发明实施例还提供了一种电子设备，如图10所示，包括处理器1001、通信接口1002、存储器1003和通信总线1004，其中，处理器1001，通信接口1002，存储器1003通过通信总线1004完成相互间的通信，
[0167]
存储器1003，用于存放计算机程序；
[0168]
处理器1001，用于执行存储器1003上所存放的程序时，实现如下步骤：
[0169]
确定目标工单的工单故障内容、处理备注说明、工单处理时限和处理环节类型，其中，所述工单故障内容和所述处理备注说明为文字型信息，所述工单处理时限和所述处理环节类型为数字型信息；
[0170]
将所述工单故障内容、所述处理备注说明、所述工单处理时限和所述处理环节类型输入至第一神经网络模型，得到所述第一神经网络模型输出的第一工单预警程度；
[0171]
若所述第一工单预警程度大于预设阈值，进行预警；
[0172]
其中，所述第一神经网络模型预先经过样本数据的训练，所述样本数据包括：
[0173]
样本工单的工单故障内容、处理备注说明、工单处理时限、处理环节类型和工单预警信息，其中，所述工单预警信息用于表示所述样本工单的超时状况。
[0174]
上述电子设备提到的通信总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0175]
通信接口用于上述电子设备与其他设备之间的通信。
[0176]
存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0177]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0178]
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一工单预警方法的步骤。
[0179]
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一工单预警方法。
[0180]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0181]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备
所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0182]
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0183]
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。