基于电力ICT业务场景的智能客服创新研究与实践

将AI与大数据技术应用于电力ICT客户服务,针对传统客服的三大问题:前端坐席知识库缺乏自学习能力、中端积累的ICT客服数据不能有效分析利用、后端质检不能全覆盖且缺乏情感识别。通过构建智能知识库、自学习分析模型、信息系统故障原因关联分析模型等,实现人机结合的智能客服模式、全量话务智能质检,提升客户服务满意度。前端,系统根据用户口述问题,实现语音交互,将用户导航至指定业务条线客服人员,为用户进行精准服务。中端,通过前期积累数据,得出用户实用化大数据分析。主要体现在通过关联词分析用户潜在需求,通过话务量与检修关联分析得出信息系统故障情况,缩短故障时间等,通过话务引导信息系统改善方向,实现辅助分析决策等。后端,为根据情感分析及机器学习的情感分析实现全话务智能质检,提高用户满意度。文章提供了一种提供用户实用化热点检测、故障辅助研判、用户行为分析等智能分析服务的创新研究及实现,为各业务部门提供主动式精准服务,全面提升信息化价值创造力。     

基于支持向量机的兼类文本分类算法研究

针对兼类文本,提出了两种基于支持向量的分类算法.一种是采用1-a-1方法训练子分类器,通过子分类器得到待分类样本的隶属度矩阵,依据隶属度矩阵每行元素和判定该文本所属类别.另一种是采用1-a-r方法训练子分类器,通过子分类器得到待分类样本的隶属度向量,根据隶属度向量判定该文本所属的类别.实验结果表明,这两种算法都具有较好的准确率,召回率和F1值.     

基于超球支持向量机的兼类文本分类算法研究

针对兼类文本,提出了一种分类算法。对属于同一类别的文本,利用超球支持向量机在特征空间中求得一个能包围该类尽可能多文本的最小超球,使各类文本之间通过超球分隔开,达到分类效果。对待分类文本,计算它到各超球球心的距离,根据距离判定该文本所属的类别。实验结果证明,该算法不仅具有较快的分类速度,而且具有较高的分类精度。     

基于超球支持向量机的类增量学习算法研究

提出了一种超球支持向量机类增量学习算法.对每一类样本,利用超球支持向量机在特征空间中求得包围该类尽可能多样本的最小超球,使各类样本之间通过超球隔开.类增量学习过程中,只对新增类样本进行训练,使得该算法在很小的样本集、很小的空间代价下实现了类增量学习,大大降低了训练时间,同时保留了历史训练结果.分类过程中,通过计算待分类样本到各超球球心的距离判定其所属类别,分类简单快捷.实验结果证明,该算法不仅具有较高的训练速度,而且具有较高的分类速度和分类精度.     

支持向量机加权类增量学习算法研究

针对支持向量机类增量学习过程中参与训练的两类样本数量不平衡而导致的错分问题,给出了一种加权类增量学习算法,将新增类作为正类,原有类作为负类,利用一对多方法训练子分类器,训练时根据训练样本所占的比例对类加权值,提高了小类别样本的分类精度。实验证明了该方法的有效性。