基于深度学习的电信运营商网络投诉工单智能分类技术研究

本文基于自然语言处理技术和深度学习算法，挖掘运营商投诉工单中结构化和非结构化内容的语义特征规律，构建了面向运营商网络投诉派单场景的大规模多标签智能分类模型TBF。本文使用包括编码器模块和解码器模块的端到端框架构建模型。编码器模块使用嵌入层将输入数据中的原始字段转化成向量表示后，使用文本卷积神经网络和双向长短期记忆网络分别对不同数据类型字段的向量表示进行特征抽取并使用前馈神经网络进行特征融合。解码器模块是多层感知机分类器组成的分类器链结构，用来接收编码器模块的融合结果并预测输出各层级投诉类别标签，从而实现对网络投诉工单的智能分类，达到节约人力成本、提升派单质效的数智化转型目的。通过在运营商实际生产环境中的测试和应用，取得了较为满意的效果，成功助力运营商的客户满意度改善。     

多模型融合的客服工单文本分类方法的研究与实现

电信呼叫中心客服在人工进行工单分类时存在归档耗时长、效率低、准确率难以保障的问题,但此场景下类别数量多,且类别间具有层级关联,导致传统文本分类方法准确率较低。针对此问题,提出了一种基于多模型融合的文本分类方法,根据不同层级的数据特点使用不同模型进行分类,考虑了类别的层级关联以提升准确率,并验证了此方法的有效性,可以优化客服生产系统运营流程,加快现场人工客服响应能效,提升客服热线整体运营效率,实现人工智能注智生产。     

基于语义筛选的ALBERT-TextCNN中医文本多标签分类研究

针对中医领域中的大量未标注文本,以及传统多标签分类模型提取的文本语义信息不够完整等问题,提出一种用于中医文本的多标签分类模型语义筛选ALBERT-TextCNN。首先进行特定领域任务自训练,将哮喘领域内属于多标签分类任务但未标注文本输入ALBERT进行预训练任务;其次ALBERT多层的Transform对已标注数据分别进行动态向量化表示,基于语义筛选选取最佳编码层生成的高效文本向量;最后引入TextCNN建立多标签分类器,提取文本向量不同层次的语义信息特征。在中医数据集上验证方法的有效性,实验结果表明,该模型的多标签分类精度有所提高,更适用于中医文本的分类预测。     

基于BiGRU-Capsule的多标签文本分类

传统的文本分类一般采用单标签形式,但现实生活中多标签文本比单标签文本具有更广泛的应用场景.本文提出一种BiGRU-Capsule模型的多标签文本分类方法,该方法首先通过嵌入层将输入的文本序列转化为向量表示;然后通过BiGRU和Capsule提取文本特征;最后使用sigmoid分类器进行分类.为确保数据量足够,利用今日头条2018新闻标题多标签语料数据集进行实验,将胶囊网络模型作为对比模型进行多标签文本分类实验与分析.实验结果表明:本文模型的多标签文本分类效果得到有效提升.     

基于BERT算法的通信投诉智能处理探索

随着5G通信技术的普及与发展,运营商业务种类多样化、网络架构日趋复杂,另一方面,用户对通信网络质量要求也越来越高,传统依赖人工经验的处理方式已难以满足投诉处理要求。基于大数据,提出一种基于BERT算法的通信投诉智能处理方法,该方法应用BERT算法实现投诉关键信息提取和投诉智能分类,达到提升投诉分类准确率,实现投诉直达处理的效果,有效提升通信投诉处理效率。     

基于隐含狄利克雷分布主题模型和特征级异构数据融合的电力故障主动性预警研究

智能化客服系统是国家电网在传统人工客服上转型的重要方向。相对于传统客服,智能客服可以并发处理电力用户的诉求事件,掌握覆盖辖区内配电网准确、可靠、全面、及时的状态信息,并通过分析历史诉求文本数据和电力用户相关的多源异构大数据来积极应付突发事件,对诉求热点进行预测并进行主动性预警。文中首先通过隐含狄利克雷分布概率(LDA)主题模型对电力用户的交互式诉求文本进行主题挖掘,获得诉求用户的诉求主题标签。根据电力公司所收集到的多源异构大数据,文中设计多种特征提取算法,搭建基于卷积神经网络(CNN)和特征级数据融合的分类模型,来实现对未来时间内诉求热点的预测。实验证明LDA模型可以很好地提取出诉求文本中的主题,多源异构数据分类模型最终得到高达94%的分类准确率,相对于传统分类器平均提升12.6%,最终可以实现电力公司对电力故障和用户诉求的主动性预警功能。     

基于人工神经网络算法的运营商客户投诉智能分类问题研究

云计算、物联网和5G业务的逐步开展,运营商的竞争态势日益加剧,在服务内容、服务方式、服务质量、经营管理和服务意识方面面临严峻挑战.为提升客户满意度,降低投诉量,本文从运营商客户投诉工单和录音数据入手,利用人工智能、机器学习等手段,开展投诉服务请求的归类分析,进一步通过人工神经网络算法对投诉工单文本进行挖掘和优化,对工单...     

基于NLP的文本挖掘技术在提升电信客户满意度中的应用

为了充分挖掘非结构化数据蕴含的信息价值,文章介绍了基于自然语言处理的文本挖掘技术,从原理到实践进行了探究。以电信运营商移动网络客户的体验与口碑为导向,利用文本挖掘技术在互联网舆情分析和客服部门投诉工单分析等方面进行探索,给出了基于非结构化文本数据的信息分类与呈现的方法,从而更好地聚焦客户需求和网络问题,支撑网络维护与优化工作,提升客户满意度。     

一种新的基于SVM的文本分类增量学习算法

文本分类将自然语言文本按内容归入一个或多个预定义类别中,在许多信息组织和管理中都是一项重要的内容。不同算法的分类;佳确性各不相同。在文本分类领域,SVM分类器是一种常用且效果较好的分类器,具有较严密的理论基础。对SVM分类器进行了分析,提出了利用增量模式实现多类文本分类的算法。实验表明：增量方法大大减少新类增加时分类器更新所需要的学习步骤和时间,是一种较好的分类算法。     

一种基于信息复用的Boosting瀑布型分类器高效训练方法

构建一个基于Boosting的瀑布型分类器往往要花费巨大的计算代价,该文提出一种改进的Boosting瀑布型分类器训练算法,利用不同层级分类器之间的共享信息复用来提高训练速度。该文提出的瀑布型分类器训练方法在两个层次上复用已获得的层级分类器中的信息。在分类器层次上,前一个层级分类器在新的层级分类器训练过程中成为第1个特征,并在当前层级分类器的训练样本集上进行适应性学习;在特征层次上,每一级分类器都直接保留所有前面层级分类器已经学到的特征,并重新在当前层级分类器的训练样本集上进行适应性学习。最后,再通过学习新的弱分类器,加入新特征。在正面人脸检测问题上的实验表明,提出的新算法相比传统方法能够大幅提高Boosting瀑布型分类器的训练速度,提高幅度近10倍,瀑布型分类器的训练时间从将近3天降到了8个小时。     

一种基于多阶邻居的网络环境下多标签分类算法

随着标签分类应用的增长,社交网络环境下多标签分类已成为一个重要的数据挖掘研究领域.关系分类模型基于一阶邻居做标签分类,其性能优于传统的多标签分类器.但现有的关系分类模型也存在问题：第一,仅利用一阶邻居做分类,未能充分使用邻居信息.第二,网络数据通常包含大量不连通的孤立部分,其标签无法利用现有的关系分类模型分类.考虑基于共引规则为非孤立节点挖掘二阶邻居和基于节点特征向量相似度为孤立节点挖掘高阶邻居,本文提出一种新的基于多阶邻居的网络数据多标签分类算法,称为MORN算法.在多个真实数据集上将MORN与现有的关系分类模型作对比,实验表明,MORN算法能够学习到更多节点的标签且精度优于传统关系分类方法.     

基于种子节点选择的网络环境下多标签分类算法研究

多标签分类在基因分类,药物发现和文本分类等实际问题中有着广泛的应用.已存在的多标签分类算法,通常都是从网络中随机的选取节点作为训练集.然而,在分类算法执行的过程中,网络中不同节点所起的作用不同.在给定训练集数目的情况下,选择的训练集不同,分类精度也会不同.所以我们引入了种子节点的概念,标签分类从种子节点开始,经过不断推理,得到网络中其他所有节点的标签.本文提出了SHDA（Nodes Selection of High Degree from Each Affiliation）算法,即从网络的每个社团中,按比例的选取度数较大的节点,然后将其合并,处理后得到种子节点.真实数据集上的实验表明,将种子节点用作训练集进行多标签分类,能够提升网络环境下多标签分类的准确率.     

基于标记密度分类间隔面的组类属属性学习

类属属性学习避免相同属性预测全部标记，是一种提取各标记独有属性进行分类的一种框架，在多标记学习中得到广泛的应用。而针对标记维度较大、标记分布密度不平衡等问题，已有的基于类属属性的多标记学习算法普遍时间消耗大、分类精度低。为提高多标记分类性能，该文提出一种基于标记密度分类间隔面的组类属属性学习(GLSFL-LDCM)方法。首先，使用余弦相似度构建标记相关性矩阵，通过谱聚类将标记分组以提取各标记组的类属属性，减少计算全部标记类属属性的时间消耗。然后，计算各标记密度以更新标记空间矩阵，将标记密度信息加入原标记中，扩大正负标记的间隔，通过标记密度分类间隔面的方法有效解决标记分布密度不平衡问题。最后，通过将组类属属性和标记密度矩阵输入极限学习机以得到最终分类模型。对比实验充分验证了该文所提算法的可行性与稳定性。     

一种适应于非完备标签数据和标签关联性的多标签分类方法

多标签分类已在很多领域得到了实际应用,所用标签大多具有很强的关联性,甚至存在非完备标签或部分标签遗失。然而,现有的多标签分类算法难以同时处理这两种情况。基于此,提出一种新的概率模型处理方法,实现同时对具有标签关联性和遗失标签情况进行多标签分类。该方法可以自动获知和掌握多标签的关联性。此外,通过整合遗失的标签信息,该方法能够提供一个自适应策略来处理遗失的标签。在完备标签和非完备标签的数据上进行实验,结果表明,与现有的多标签分类算法相比,提出的方法得到了较好的分类预测评价值。     

基于深度学习的电力服务调度工单智能处理的研究

为打造以客户为中心的现代供电服务体系,进一步提升为民服务的质量和水平,强化电力保障和优质服务,贵安供电局开展海量工单分析,从而实现服务调度业务薄弱点的发现和改进。因此,提出基于深度学习的工单识别分类技术应用,通过深度学习进行建模、工单的标签特征进行提炼、并建立训练模型进行学习、对故障单和意见单进行识别,优化投诉风险预警与管理工作,缓解服务调度工作人员服务压力。     

Global-guided weakly-supervised learning for multi-label image classification

Multi-label classification with region-free labels is attracting increasing attention compared to that with region-based labels due to the time-consuming manual region-labeling process. Existing methods usually employ attention-based technology to discover the conspicuous label-related regions in a weakly-supervised manner with only image-level region-free labels, while the region covering is not precise without exploring global clues of multi-level features. To address this issue, a novel Global-guided Weakly-Supervised Learning (GWSL) method for multi-label classification is proposed. The GWSL first extracts the multi-level features to estimate their global correlation map which is further utilized to guide feature disentanglement in the proposed Feature Disentanglement and Localization (FDL) networks. Specifically, the FDL networks then adaptively combine the different correlated features and localize the fine-grained features for identifying multiple labels. The proposed method is optimized in an end-to-end manner under weakly supervision with only image-level labels. Experimental results demonstrate that the proposed method outperforms the state-of-the-arts for multi-label learning problems on several publicly available image datasets. To facilitate similar researches in the future, the codes are directly available online at https://github.com/Yong-DAI/GWSL.     

大数据支撑下的客户服务应用探索

随着大数据的应用越来越广泛,运营商对基于大数据支撑下的应用场景进行了探索。为提高投申诉管控效率,提升客户问题响应速度和服务质量,文章对一线客户代表的工作痛点进行研究,分析投诉客户的画像特征,利用数据挖掘技术,构建相关分析模型,为客户服务工作一线的各种场景提供数据分析和决策优化支撑能力。通过客服应用方面的创新探索,实现一线员工的工作方式由被动变为主动,为降低升级用户的投诉率提供参考方案,并为电信运营商的新发展战略提供了重要的技术支撑。     

一种基于全局和局部标记相关性的多标记分类算法

多标记学习用于处理一个示例同时与多个类别标记相关的问题.在多标记学习中,标记相关性能够显著提升学习算法的性能.大多数现有的多标记学习算法在利用标记的相关性时,要么只使用被所有示例所共享的全局标记相关性,要么就使用局部标记相关性,它们认为不同簇中的示例应该存在不同的标记相关性.本文中,我们提出了一种同时利用全局和局部标记相关性的多标记学习算法,从而为学习进程提供更全面的标记信息.在计算全局和局部标记相关性时,我们使用了余弦相似性来获取不同标记之间的正相关性和负相关性,这样有助于我们进一步实现更可靠的多标记学习.我们在多种类型的数据集上进行了广泛的对比实验来验证所提算法的有效性.实验结果表明,该算法显著优于大多数对比算法,展现出其在多标记学习中的突出性能.