本发明涉及电话客户服务系统或方法,具体涉及一种基于flask的智能制单方法。
背景技术:
1、目前国内外人工客服工单大多依赖人工编写或预先置入工单模板由人工选择后编辑,随着客户咨询量的增加以及客户对服务时效的要求,这些已经不能满足目前相关系统的业务需求。
技术实现思路
1、为了克服现有技术在进行制单时无法进行工单自动填写而影响工作效率的问题,本发明通过把业务分类模块、工单内容填充模块及统计分析模块集成在flask框架上,实现了电力领域客服工单的自动化制单。本专利解决方案具体如下:
2、一种基于flask的智能制单方法,包括如下步骤:
3、步骤1:对数据进行预处理,去掉停用词和低频词;
4、步骤2:选择层次注意力模型(han模型);
5、步骤3:模型训练及调参;具体训练方法如下:
6、使用word2vec模型训练得到word2vec矩阵,用于初始化han模型中嵌入层,其中嵌入层输出维度设定为200,编码层输出维度为100,每个方向各占50,语义向量维度也设定为100,batchsize为64,动量值为0.9,学习率用grid search搜索得到;
7、在han的实现过程中,涉及到semanticattention函数,其中:
8、semanticattention的in_size是node-level attention的out_size乘以多头注意力机制的head数量layer_num_heads,in_size是指线性变换层的输入,整个semanticattention层的in_size是(m,d*k),m是meta-path的数目,d是node-level attention的out_size,k是head的数量;
9、步骤4:进行模型结果验证,如不符合业务要求,返回步骤3,否则转到步骤5;
10、步骤5:根据工单分类结果载入工单模板;
11、步骤6:工单内容生成;
12、步骤7:基于flask框架集成业务分类模块、工单内容填充模块和统计分析模块。
13、本发明首先通过采用深度学习之神经网络技术实现了工单自动分类及工单自动填充功能,使得客服处理工单效率大大提升。
14、本发明基于flask框架及层次注意力多任务学习模型,集成了业务分类模块、工单内容填充模块和统计分析模块,通过对业务支持系统进行接口适配、路由配置,在业务受理界面新增一键制单操作窗口,实现受理内容一键生成。基本实现从人工录入工单模式向自动化制单的目标演进,提升了制单的质量、效率与效益。
1.一种基于flask的智能制单方法,其特征在于,包括如下步骤:
2.根据权利要求1所述一种基于flask的智能制单方法,其特征在于,所述步骤3具体实现过程包括如下步骤:
3.根据权利要求1所述一种基于flask的智能制单方法,其特征在于,所述步骤6包括如下步骤: