热线工单的归口确定方法、装置、电子设备及存储介质与流程

1.本发明实施例涉及计算机处理技术领域，尤其涉及一种热线工单的归口确定方法、装置、电子设备及存储介质。


背景技术：

2.为更好地服务广大群众，12345服务热线成为当前重要的政务服务平台，连通了全国各个省份各个地市县和各部门，热线工单即为各个地区市民通过政务服务便民热线反映的各种诉求、建议、举报、表扬等，由工作人员记录为工单。
3.目前，为区分热线工单反映的不同问题，可设定不同问题类型的归口，包括如市容、市貌、噪音等归口类型。针对各热线工单，可由市民选择对应的归口，或者由话务员诊断热线工单内容确定对应的归口，以完成对热线工单的分类整理。但是，由话务员或市民选择归口，选择过程中易出错，准确度较低；且热线工单数量较大，需要花费大量的人力资源和时间资源。


技术实现要素：

4.本发明实施例提供了一种热线工单的归口确定方法、装置、电子设备及存储介质，以实现提高归口确定的准确率和效率，避免资源浪费的目的。
5.第一方面，本发明实施例提供了一种热线工单的归口确定方法，包括：
6.获取待确定归口的目标热线工单，确定所述目标热线工单对应的文本特征向量；
7.将所述文本特征向量输入至预先建立的文本分类模型中，得到所述目标热线工单与各预设归口之间的匹配信息；
8.基于所述匹配信息，确定出与所述目标热线工单对应的目标归口。
9.第二方面，本发明实施例还提供了一种热线工单的归口确定装置，该装置包括：
10.目标热线工单获取模块，用于获取待确定归口的目标热线工单，确定所述目标热线工单对应的文本特征向量；
11.文本特征向量输入模块，用于将所述文本特征向量输入至预先建立的文本分类模型中，得到所述目标热线工单与各预设归口之间的匹配信息；
12.目标归口确定模块，用于基于所述匹配信息，确定出与所述目标热线工单对应的目标归口。
13.第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
14.一个或多个处理器；
15.存储装置，用于存储一个或多个程序，
16.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的热线工单的归口确定方法。
17.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的热线工单的归口确定
方法。
18.本发明实施例所提供的一种热线工单的归口确定方法，获取待确定归口的目标热线工单，确定目标热线工单对应的文本特征向量；通过将文本特征向量输入至预先建立的文本分类模型中，得到目标热线工单与各预设归口之间的匹配信息；基于匹配信息，确定出与目标热线工单对应的目标归口。解决了现有技术中需要人工确定归口产生的易出错、费时费力的问题，实现提高归口确定的准确率和效率，避免资源浪费的目的。
19.此外，本发明所提供的一种热线工单的归口确定装置、电子设备及存储介质与上述方法对应，具有同样的有益效果。
附图说明
20.为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，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，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
21.图1为本发明实施例提供的一种热线工单的归口确定方法的流程图；
22.图2为本发明实施例提供的文本分类模型技术架构图；
23.图3为本发明实施例提供的一种热线工单的归口确定装置的结构图；
24.图4为本发明实施例提供的一种电子设备的结构图。
具体实施方式
25.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
26.另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
27.为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
28.实施例一
29.图1为本发明实施例提供的一种热线工单的归口确定方法的流程图。该方法可以由热线工单的归口确定装置来执行，该装置可以通过软件和/或硬件来实现，可配置于终端和/或服务器中来实现本发明实施例中的热线工单的归口确定方法。
30.如图1所示，本实施例的方法具体可包括：
31.s101、获取待确定归口的目标热线工单，确定目标热线工单对应的文本特征向量。
32.其中，目标热线工单可为各个地区的市民通过服务热线反映的情况的记录，反映的情况包括各种诉求、建议、举报和表扬等。归口用于表示市民反映的情况的类型，可包括市容、市貌、噪音等类型。
33.在具体实施中，待确定归口的目标热线工单的数量可为一个或一个以上。可通过预先建立的通信接口获取待确定归口的目标热线工单，通过接口可对目标热线工单进行实时逐一调用。进一步的，也可通过批量读取的方式获取多个目标热线工单，对各目标热线工单进行批量操作。
34.在本实施例中，我便于对目标热像工单进行处理，可将目标热线工单转换为文本特征向量。具体的，可将目标热线工单进行分词处理，将各分词处理得到的词语进行向量化处理，基于全部的词向量得到文本特征向量；也可在分词处理得到的各词语中筛选出有效词语，对有效词语进行向量化处理，基于有效词向量得到文本特征向量。
35.可选的，确定目标热线工单对应的文本特征向量的实现方式包括：对目标热线工单进行分词处理，得到目标热线工单对应的目标词语；基于预先建立的停用词文件，对各目标词语进行去除停用词操作，基于去除操作后得到的各词语更新目标词语；将更新后得到的目标词语进行向量化处理，生成各目标词语对应的目标词向量；对各目标词向量进行组合处理，得到文本特征向量。
36.具体的，可预先建立内容产生词典，词典中可记录有服务热线中对应的各词汇，通过内容产生词典，对目标热线工单进行分词处理，得到目标热线工单对应的目标词语。为去除目标词语中的对确定归口无实际作用的停用词，可基于预先建立的停用词文件，确定各目标词语是否为停用词文件中包含的停用词，如果是，则进行去除；如果否，则保留该目标词语。基于去除停用词处理后得到的各词语，更新目标词语。
37.进一步的，可通过底层的word embedding方式和char embedding方式各目标词语进行向量化处理，生成各目标词语对应的目标词向量，对各目标词向量进行组合处理，得到文本特征向量。
38.s102、将文本特征向量输入至预先建立的文本分类模型中，得到目标热线工单与各预设归口之间的匹配信息。
39.其中，文本分类模型可包括支持向量机(support vector machine,svm)分类模型和/或基于转换器的双向编码表征(bidirectional encoder representations from transformers，bert)分类模型。匹配信息可为目标热线工单与各预设归口之间的匹配程度，可采用数值、概率和百分比等方式反映匹配程度。预设归口可为环境归口和交通出行归口等。
40.可选的，文本分类模型包括支持向量机分类模型，匹配信息包括目标热线工单对应于各预设归口的预测投票数；其中，将文本特征向量输入至预先建立的文本分类模型中，得到目标热线工单与各预设归口之间的匹配信息，包括：将文本特征向量输入至支持向量机分类模型中，得到目标热线工单对应于各预设归口的预测投票数。
41.需要说明的是，svm分类模型是一种基于统计学习理论的分类算法，解决了小样本、非线性和高维模式识别问题，克服了维度灾难和过拟合。在具体实施中，针对每一个预设归口，将文本特征向量输入至支持向量机分类模型中后，可得到各预设归口的的预测投票数，预测投票数据越高，则说明目标热线工单与该预设归口的匹配程度越高；预测投票数据越低，则说明目标热线工单与该预设归口的匹配程度越低，可根据支持向量机分类模型输出的预测投票数，确定出目标归口。
42.本实施例中，当文本分类模型为支持向量机分类模型时，在将文本特征向量输入
至预先建立的文本分类模型中之前，还包括：将预先获取的第一训练工单样本输入至待训练支持向量机分类模型中，得到第一训练工单样本对应于预设归口的预测训练票数；基于预测训练票数确定第一训练归口，基于第一训练归口与预先存储的第一样本实际归口，对待训练支持向量机分类模型中的模型参数进行修正；基于预先建立的训练目标，训练得到基于转换器的双向编码表征分类模型。
43.需要说明的是，由于svm分类模型只能针对二分类问题，则可采用成对分类的方式优化多分类问题，即对任意两个预设归口，建立一个svm子模型，一共需建立的svm子模型的数量为：
[0044][0045]
其中，表示svm子模型的数量，m表示预设归口的数量，为正整数。通过各建立的svm子模型构建出待训练支持向量机分类模型，从而能完成对两个以上的归口进行准确分类。
[0046]
在具体实施中，可预先训练由各svm子模型构建出的待训练支持向量机分类模型。可预先获取第一训练工单样本和该第一训练工单样本对应的第一样本实际归口。将第一训练工单样本输入至待训练支持向量机分类模型中，输出第一训练工单样本对应于预设归口的预测训练票数，在预测训练票数中确定出票数最大值，将票数最大值对应的预设归口确定为第一训练归口。基于第一训练归口与第一样本实际归口，对待训练支持向量机分类模型中的模型参数进行修正，并重复上述步骤，基于修正模型参数后的待训练支持向量分类模型再次对第一训练工单样本进行分类，直到达到预先建立的训练目标，得到支持向量机分类模型。
[0047]
具体的，训练目标可为当前重复的次数达到预设的训练次数阈值，还可为当前训练的准确率达到预设训练准确率，还可为遍历了全部的第一训练工单样本。本领域技术人员可根据实际应用情况，建立训练目标，对此本发明实施例不做限定。
[0048]
在具体实施中，文本分类模型还可包括基于转换器的双向编码表征分类模型，匹配信息包括目标热线工单对应于各预设归口的预测概率；其中，将文本特征向量输入至预先建立的文本分类模型中，得到目标热线工单与各预设归口之间的匹配信息，包括：将文本特征向量输入至双向编码表征分类模型中，得到目标热线工单对应于各预设归口的归口特征；对目标热线工单对应的各归口特征进行归一化处理，得到目标热线工单对应于预设归口的预测概率。
[0049]
其中，归口特征归一化处理后，得到的各预测概率的取值范围为0至1之间，且各预测概率之和为1，有各预设归口的预测概率构成预测概率向量。
[0050]
需要说明的是，利用掩码语言模型进行预训练，并且采用深层的双向transformer组件构建基于转换器的双向编码表征分类模型，因此基于转换器的双向编码表征分类模型能够融合目标热线工单中的上下文信息，生成深层双向语言表征，更准确地为目标热线工单分配对应的目标归口。
[0051]
本实施例中，当文本分类模型为基于转换器的双向编码表征分类模型时，在将文本特征向量输入至预先建立的文本分类模型中之前，还包括：将预先获取的第二训练工单
样本输入至待训练双向编码表征分类模型中，输出第二训练工单样本对应于各预设归口的训练归口特征；对各训练归口特征进行归一化处理，得到第二训练工单样本对应于各预设归口的训练概率；基于训练概率确定第二训练工单样本对应的第二训练归口，基于预先存储的第二样本实际归口与第二训练归口，对待训练双向编码表征分类模型中的模型参数进行修正；将待训练双向编码表征分类模型中的损失函数收敛作为训练目标，训练得到基于转换器的双向编码表征分类模型。
[0052]
在具体实施中，对于各预设归口对应的训练概率，确定出训练概率最大值，将训练概率最大值对应的预设归口确定为第二训练归口，将第二训练归口与第二样本实际归口进行比对，从而对待训练双向编码表征分类模型中的模型参数进行修正，以使待训练双向编码表征分类模型的输出结果可更接近于第二样本实际归口，提高待训练双向编码表征分类模型的准确性。
[0053]
具体的，基于交叉熵函数确定待训练双向编码表征分类模型中的损失函数，将损失函数收敛作为训练目标，训练得到基于转换器的双向编码表征分类模型。进一步的，还可设定次数阈值，当训练次数达到次数阈值时，则可停止训练，基于当前修正的模型参数，得到基于转换器的双向编码表征分类模型。
[0054]
s103、基于匹配信息，确定出与目标热线工单对应的目标归口。
[0055]
在具体实施中，当文本分类模型为支持向量机分类模型时，匹配信息包括目标热线工单对应于各预设归口的预测投票数；当文本分类模型为基于转换器的双向编码表征分类模型时，匹配信息包括目标热线工单对应于各预设归口的预测概率。
[0056]
当匹配信息为预测投票数时，可确定出各预设归口对应的预测投票数中的最大值，将最大投票数对应的预测归口确定为目标归口。当匹配信息为预测概率时，确定出各预测概率中的概率最大值，将概率最大值对应的预设归口确定为目标归口。
[0057]
需要说明的是，当各预测投票数或各预测概率中出现两个或两个以上的相同最大值时，根据各相同最大值对应的预设归口的索引，确定出目标归口。示例性的，可将各相同最大值对应的预设归口中，将索引最小的预设归口确定为目标归口。
[0058]
本发明实施例所提供的一种热线工单的归口确定方法，获取待确定归口的目标热线工单，确定目标热线工单对应的文本特征向量；通过将文本特征向量输入至预先建立的文本分类模型中，得到目标热线工单与各预设归口之间的匹配信息；基于匹配信息，确定出与目标热线工单对应的目标归口。解决了现有技术中需要人工确定归口产生的易出错、费时费力的问题，实现提高归口确定的准确率和效率，避免资源浪费的目的。
[0059]
实施例二
[0060]
上文中对于热线工单的归口确定方法对应的实施例进行了详细描述，为了使本领域技术人员进一步清楚本方法的技术方案，下文中给出具体的应用场景。
[0061]
图2为本发明实施例提供的文本分类模型技术架构图，如图2所示，数据层用于存储工单数据及工单数据对应的文本特征向量，可存储至mysql数据库或hdfs数据库中；计算层可执行基于svm分类模型或bert分类模型对工单进行分类，系统层可包括系统管理和业务应用两部分，系统管理部分可对svm分类模型或bert分类模型进行训练，并基于接口调用目标热线工单和发布目标归口，也可通过全量预测的方式处理目标热线工单和发布各目标热线工单对应的目标归口；业务应用部分可为用户提供智能确定归口的操作服务。
[0062]
本发明实施例公开的训练svm分类模型和bert分类模型的训练方法，包括以下步骤：
[0063]
1、构建训练数据集,训练数据集中包括训练工单样本和训练归口；对训练工单样本进行分词处理，得到训练词语。
[0064]
2、预先建立的停用词文件，根据词性和停用词文件对训练词语中的停用词进行过滤，只保留对模型结果有意义的训练词语。
[0065]
3、通过底层的word embedding和char embedding对训练词语转换为向量化的训练词向量，并基于训练词向量生成与训练工单样本对应的文本特征向量。
[0066]
4、训练svm分类模型和bert分类模型
[0067]
4.1、训练svm分类模型
[0068]
(1)将文本特征向量输入至待训练svm模型中，基于输出结果与训练归口进行比对，调整待训练svm模型的模型参数，从而对模型进行训练。
[0069]
由于svm分类模型只能针对二分类问题，则可采用成对分类的方式优化多分类问题，即对任意两个预设归口，建立一个svm子模型，一共需建立的svm子模型的数量为：
[0070][0071]
其中，表示svm子模型的数量，m表示预设归口的数量，为正整数。通过各建立的svm子模型构建出待训练支持向量机分类模型，从而能完成对两个以上的归口进行准确分类。
[0072]
示例性的，在基于svm子模型进行交通出行和环境保护两个归口的分类的应用中，训练得到一个二分类svm模型，用来判断输入的热线工单对应的归口。每个二分类svm根据其决策函数对新工单有一个预测，以交通出行和环境保护为例，若对工单的预测为交通出行，则交通出行类得票加1；否则环境保护类得票加1；最终得票最多的类别就是对该新工单的预测；若出现平票的情况，选择索引较小的归口作为该工单的分类。
[0073]
4.2、训练bert分类模型
[0074]
bert包含一个self-attention层和一个前馈神经网络，self-attention能帮助当前节点不仅仅只关注当前的词，从而能获取到上下文的语义。decoder也包含encoder提到的两层网络，但是在这两层中间还有一层attention层，帮助当前节点获取到当前需要关注的重点内容。
[0075]
(1)按照训练工单中各词语的顺序，将对应的文本特征向量输入至输入到第一个encoder层，输出结果再输入至中间层self-attention，并将处理完的数据送给前馈神经网络，前馈神经网络的计算可以并行，得到的输出会输入到下一个encoder。
[0076]
(2)将最终输出的特征输入至softmax层，得到训练工单样本属于各归口的各概率，归一化计算公式为：
[0077][0078]
其中，xi表示第i个输入工单的模型计算结果，n表示n个归口类型；对xi求对数后除以所有训练工单样本的模型结果的值求对数和，最终得到的输出为概率预测向量p＝{σ1，σ
2，...，σi，...，σn}，其中，σi表示该工单属于第i个归口的概率。
[0079]
(3)计算交叉熵函数定义损失函数，并计算正确率。采用adamweightdecayoptimizer算法反向更新梯度不断提高模型准确率。
[0080]
本发明实施例所提供的训练svm分类模型和bert分类模型的训练方法，能够得到用于对热线工单进行全量预测或单一预测的文本分类模型，从而可通过文本分类模型确定热线工单的归口，实现提高归口确定的准确率和效率，避免资源浪费的目的。
[0081]
实施例三
[0082]
图3为本发明实施例提供的一种热线工单的归口确定装置的结构图，该装置用于执行上述任意实施例所提供的热线工单的归口确定方法。该装置与上述各实施例的热线工单的归口确定方法属于同一个发明构思，在热线工单的归口确定装置的实施例中未详尽描述的细节内容，可以参考上述热线工单的归口确定方法的实施例。该装置具体可包括：
[0083]
目标热线工单获取模块10，用于获取待确定归口的目标热线工单，确定所述目标热线工单对应的文本特征向量；
[0084]
文本特征向量输入模块11，用于将所述文本特征向量输入至预先建立的文本分类模型中，得到所述目标热线工单与各预设归口之间的匹配信息；
[0085]
目标归口确定模块12，用于基于所述匹配信息，确定出与所述目标热线工单对应的目标归口。
[0086]
在本发明实施例中任一可选技术方案的基础上，可选的，所述文本分类模型包括支持向量机分类模型，所述匹配信息包括所述目标热线工单对应于各所述预设归口的预测投票数；其中，
[0087]
文本特征向量输入模块11，包括：
[0088]
第一文本特征向量输入单元，用于将所述文本特征向量输入至所述支持向量机分类模型中，得到所述目标热线工单对应于各所述预设归口的预测投票数。
[0089]
在本发明实施例中任一可选技术方案的基础上，可选的，还包括：
[0090]
第一训练单元，用于在所述将所述文本特征向量输入至预先建立的文本分类模型中之前，将预先获取的第一训练工单样本输入至待训练支持向量机分类模型中，得到所述第一训练工单样本对应于所述预设归口的预测训练票数；基于所述预测训练票数确定第一训练归口，基于所述第一训练归口与预先存储的第一样本实际归口，对所述待训练支持向量机分类模型中的模型参数进行修正；基于预先建立的训练目标，训练得到所述支持向量机分类模型。
[0091]
在本发明实施例中任一可选技术方案的基础上，可选的，所述文本分类模型包括基于转换器的双向编码表征分类模型，所述匹配信息包括所述目标热线工单对应于各所述预设归口的预测概率；其中，
[0092]
文本特征向量输入模块11，包括：
[0093]
第二文本特征向量输入单元，用于将所述文本特征向量输入至所述双向编码表征分类模型中，得到所述目标热线工单对应于各所述预设归口的归口特征；对所述目标热线工单对应的各所述归口特征进行归一化处理，得到所述目标热线工单对应于所述预设归口的所述预测概率。
[0094]
在本发明实施例中任一可选技术方案的基础上，可选的，还包括：
[0095]
第二训练单元，用于在所述将所述文本特征向量输入至预先建立的文本分类模型中之前，将预先获取的第二训练工单样本输入至待训练双向编码表征分类模型中，输出所述第二训练工单样本对应于各预设归口的训练归口特征；对各所述训练归口特征进行归一化处理，得到所述第二训练工单样本对应于各预设归口的训练概率；基于所述训练概率确定所述第二训练工单样本对应的第二训练归口，基于预先存储的第二样本实际归口与所述第二训练归口，对所述待训练双向编码表征分类模型中的模型参数进行修正；将所述待训练双向编码表征分类模型中的损失函数收敛作为训练目标，训练得到所述基于转换器的双向编码表征分类模型。
[0096]
在本发明实施例中任一可选技术方案的基础上，可选的，第二训练单元包括：
[0097]
目标归口确定子单元，用于确定出各预测概率中的概率最大值，将所述概率最大值对应的预设归口确定为所述目标归口。
[0098]
在本发明实施例中任一可选技术方案的基础上，可选的，目标热线工单获取模块10，包括：
[0099]
分词单元，用于对所述目标热线工单进行分词处理，得到所述目标热线工单对应的目标词语；基于预先建立的停用词文件，对各所述目标词语进行去除停用词操作，基于去除操作后得到的各词语更新所述目标词语；将更新后得到的目标词语进行向量化处理，生成各所述目标词语对应的目标词向量；对各所述目标词向量进行组合处理，得到所述文本特征向量。
[0100]
本发明实施例所提供的热线工单的归口确定装置可执行如下方法：获取待确定归口的目标热线工单，确定目标热线工单对应的文本特征向量；将文本特征向量输入至预先建立的文本分类模型中，得到目标热线工单与各预设归口之间的匹配信息；基于匹配信息，确定出与目标热线工单对应的目标归口。解决了现有技术中需要人工确定归口产生的易出错、费时费力的问题，实现提高归口确定的准确率和效率，避免资源浪费的目的。
[0101]
值得注意的是，上述热线工单的归口确定装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0102]
实施例四
[0103]
图4为本发明实施例提供的一种电子设备的结构图。图4示出了适于用来实现本发明实施例实施方式的示例性电子设备20的框图。显示的电子设备20仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0104]
如图4所示，电子设备20以通用计算设备的形式表现。电子设备20的组件可以包括但不限于：一个或者多个处理器或者处理单元201，系统存储器202，连接不同系统组件(包括系统存储器202和处理单元201)的总线203。
[0105]
总线203表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0106]
电子设备20典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电
子设备20访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0107]
系统存储器202可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)204和/或高速缓存存储器205。电子设备20可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统206可以用于读写不可移动的、非易失性磁介质。可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线203相连。存储器202可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
[0108]
具有一组(至少一个)程序模块207的程序/实用工具208，可以存储在例如存储器202中，这样的程序模块207包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块207通常执行本发明所描述的实施例中的功能和/或方法。
[0109]
电子设备20也可以与一个或多个外部设备209(例如键盘、指向设备、显示器210等)通信，还可与一个或者多个使得用户能与该电子设备20交互的设备通信，和/或与使得该电子设备20能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口211进行。并且，电子设备20还可以通过网络适配器212与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器212通过总线203与电子设备20的其它模块通信。应当明白，可以结合电子设备20使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0110]
处理单元201通过运行存储在系统存储器202中的程序，从而执行各种功能应用以及数据处理。
[0111]
本发明所提供的一种电子设备，能够实现如下方法：获取待确定归口的目标热线工单，确定目标热线工单对应的文本特征向量；将文本特征向量输入至预先建立的文本分类模型中，得到目标热线工单与各预设归口之间的匹配信息；基于匹配信息，确定出与目标热线工单对应的目标归口。解决了现有技术中需要人工确定归口产生的易出错、费时费力的问题，实现提高归口确定的准确率和效率，避免资源浪费的目的。
[0112]
实施例五
[0113]
本发明实施例提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种热线工单的归口确定方法，该方法包括：
[0114]
获取待确定归口的目标热线工单，确定目标热线工单对应的文本特征向量；将文本特征向量输入至预先建立的文本分类模型中，得到目标热线工单与各预设归口之间的匹配信息；基于匹配信息，确定出与目标热线工单对应的目标归口。解决了现有技术中需要人工确定归口产生的易出错、费时费力的问题，实现提高归口确定的准确率和效率，避免资源浪费的目的。
[0115]
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的热线工单的归口确定方法中的相关操作。
[0116]
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0117]
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0118]
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0119]
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0120]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。