基于word2vec和XGBoost相结合的国网95598客服投诉工单分类

为了解决95598客服投诉工单的整理、归档等问题,其中包括:在人工进行归档的过程中出现的疏忽造成的归档随意问题,即归档准确性问题;人工对投诉工单进行差错点归纳的耗时问题,即效率问题;人工对客服投诉分析深度不足,无法精准快速定位用户诉求热点的问题,即深度问题。本文针对以上三个问题给出解决方案,采用word2vec和XGBoost相结合的方式达到对95598客服投诉工单精准归纳。在文本词向量化的过程中采用word2vec方法,得到单词的文本词向量;利用XGBoost算法对95598客服投诉工单进行分类归档,并且对历史投诉工单的责任部门、专业分类、诉求事件、差错点四个方面进行标注。该模型的分类准确率在83%-91%左右,有较好的的效果。基于工单分类的结果,并设计了相关的投诉类看板,更直观的对数据进行展示。     

“人工智能技术电力研究与应用”特约专栏寄语

文章一摘要:本文介绍了工单文本分类的理论和应用,并对文本分析的分词、机器学习、深度学习等技术方法进行了描述。基于预训练BERT模型提出了95598客服工单自动分类的方法,设计了电力客服工单自动分类的流程,最后通过一个实际的案例对算法模型进行校验,并与传统的文本挖掘方法进行了对比。算例的结果表明,所使用的工单分类算法能显著提高分类的准确性,在分类效率上也较高。文章二摘要:在输电线路三维可视化自动建模场景中如何实现对杆塔的三维点云数据进行快速准确的自动化分类是一个关键问题,在本文中我们提出了一种基于卷积自编码神经网络CAE的杆塔三维点云数据自动分类算法。首先,我们通过投影计算得到杆塔点云的旋转角度并使用旋转矩阵将杆塔点云摆正,然后进行正面侧面投影获取到杆塔点云的图像;第二,使用收集到的杆塔点云图像组成训练数据集,对卷积自编码网络进行训练之后提取出自编码网络的编码部分用于对图像进行特征提取;第三,使用自编码器对输入的杆塔点云图进行特征抽取,将提取的图像特征向量输入EM进行自动分类。实验结果表明我们所提出的杆塔点云自动分类算法能够快速准确实现对点云数据的自动化分类。文章三摘要:台风是一种可以给沿海地区电网造成巨大破坏的自然灾害,中国东南沿海地区正是台风灾害频发的地区。对于强台风环境下的地区电网,台风的强风可导致输配电网中的电气设备产生结构性损伤,影响供电稳定性。在电网设备中,杆塔是最易被台风影响的大型设备,从中国东南沿海电网历史台风灾损统计结果来看,绝大多数的倒塔与断杆主要发生在强风圈内,显然风速对杆塔的影响是巨大的。     

基于自然语言处理技术的电力客户投诉工单文本挖掘分析

本文主要结合浙江湖州电力业务需求,旨在打破客户对用电诉求存在的盲区,从而提高对用户用电需求的管理程度,实现热点投诉业务工单的原因挖掘。为了更好的深入挖掘投诉工单背后所蕴含的信息,研究基于自然语言处理技术出发,对电力客户投诉工单进行深入文本挖掘,利用隐马尔可夫模型等分词技术分析投诉工单中的受理内容,进行词频统计,通过TF-IDF算法计算关键词重要性权重值,提取权重值大的关键词频作为客户投诉文本挖掘的最终结果,并运用词云分析技术进行分析结果可视化展示;通过文本分类分析,构建文本分类器模型,实现对"热点词频"在不同业务中的分布情况的研究,并根据结果开展相应改进措施。把控住当下电力客户投诉的主要问题,针对性的为不同类型的电力客户提供差异化的服务策略,从而提高客户满意度和忠诚度。专题的推广应用,能够很好的提升客服部门的工作效率,落在实处的为客户解决难题。     

电力企业投诉工单文本挖掘模型

以客户投诉工单和回访不满意工单为样本,引入LDA文档主题生成模型对文本信息进行中文自然语言处理和数据挖掘,发现问题属性类别,通过大数据对文本挖掘结果进行分析和监控,构建适合电力公司的投诉工单文本挖掘模型,实现对工单进行分类筛选、便签判断和初步归因。     

基于主成分分析法的95598客户服务工单分类优化

为了提升95598客户服务水平,提高工单传递效率,提出了一种简化工单分类的方法。首先分析了工单出现的规律,然后利用主成分分析法对具体工单内容与时间维度的关系进行分析。研究结果表明,多种类型的工单数量与时间有着明显关联,特别是停复电等诉求在月末阶段明显增加。建议将"低压停电"、"一般性工单"等月末高发的工单类型进行合并,以减轻客服人员的工作压力。     

客服专员业务能力体系与培训规划研究

为了解决客服专员业务能力不一、培训工作复杂难度高的问题,通过对超过4000名客服专员、涉及超过300类业务需求的业务行为、个人特征、质检工单等近2年数据的初步处理与分析,从超过亿条工单数据中统计出21个业务能力评价维度,建立决策树与神经网络混合模型,以决策树模型筛选出的业务能力影响因子应用于LMBP神经网络预测模型得出较准确的业务能力评价客服专员分群。为了规划客服专员培训体系,通过模型的分群结果分析,对不擅长处理某业务的客服专员针对最细业务划分进行定制化培训,准确高效提升客服专员业务短板能力。同时反馈培训结果到模型分析,完善业务能力评价维度,优化分群结果。与客服中心平均业务培训时间对比,应用此分类结果进行定制化培训可以有效节约工作时间,且培训业务范围更广。     

电力工单文本数据分析挖掘模型研究

介绍了针对电力工单文本开展分析挖掘的模型构建以及系统实现架构,针对95598电力工单中的受理内容以及答复内容分别开展文本分类与文本聚类,实现对海量电力工单的快速精准的定位与筛选,为专业管理部门及时发现和解决问题提供了有力的数据支撑。     

基于BR和GBDT的电力信息通信客服系统多标签文本分类

现有电力信息通信(ICT)客服系统主要依靠客服坐席员经验,根据电力ICT系统用户报修信息进行故障类型分类判别,存在在线处理及时性较差、准确性不足的问题.针对上述问题,提出了一种基于集成学习的电力ICT客服系统文本数据的多标签文本分类方法,实现对电力ICT系统的复杂故障类型进行自动化、高准确率分类识别.首先,针对电力ICT系统故障类型识别准确率偏低且低效的问题,提出了基于二元相关性(BR)和梯度提升决策树(GBDT)集成学习的多标签分类方法,将BR和GBDT有机结合实现自动化、高准确率的故障多标签分类.其次,针对电力ICT客服文本数据的多标签分类训练集难以获取的问题,提出一种面向电力ICT客服文本数据的多标签训练集自动化构建方法,实现了高效的电力ICT客服文本多标签分类.实验表明,BR-GBDT方法可以高效处理电力ICT系统复杂故障类型的多标签分类任务,分类性能也优于BR+逻辑回归(LR)和多标签k最近邻(ML-kNN)等典型的集成学习多标签分类方法.     

电子工单系统中故障工单申报流程及其解决方案的研究

以112故障受理过程为例说明并设计故障工单受理的业务流程。112故障受理采用人工受理方式,客户致电客服中心申报电话故障,客服人员通过故障受理系统对故障号码进行分析,据分析结果选择填写故障工单、故障催单或是故障再派单,完成受理工作后将其派发到故障处理部门,处理人员接收派单后,对故障进行排查、修复,最后将其办结。对于办结并需进行客户回访的故障工单,将其重新流转到客服中心,客服人员按客户要求对其进行工单回访。该解决方案对所有客服中心的电子工单处理都有通用性和实用性。     

基于随机森林算法的95598投诉预测方法研究

为减少投诉风险发生,提出一种基于随机森林算法的95598工单投诉预测方法,实现对95598工单的直接投诉预测与转化投诉预测。首先,对95598历史工单进行数据预处理;其次,在充分考虑历史工单的供电地区、时间、天气、前期工单事因、重复来电和投诉倾向等情况的基础上,建立了基于随机森林算法的95598电力服务投诉工单预测模型。以某市全年95598工单数据为例,建立了该市的95598电力服务投诉工单预测模型,并以Weka 3.8数据挖掘软件为测试平台,对所建立的模型进行测试,并与其他数据挖掘算法的预测性能进行了对比分析。结果表明,该方法能够实现对95598投诉风险的有效预测,投诉预警效果良好。     

基于深度学习的电网调控文本知识抽取方法

电力系统的发展对电力系统知识的使用提出新的要求,为了实现非结构化电网调控文本知识的自动抽取,文中提出了基于注意力的双向长短期记忆网络和条件随机场的深度学习模型。深度学习模型从调度规程等文本数据中抽取电网运行规则和电网事故处理流程。实验结果表明,提出的模型的语料精度、召回率和F1分数分别为91.00%,89.98%和90.49%,结果略优于另外3种模型。在训练集和测试集上分别进行F1评估,识别精度差异很小,说明模型学习中没有发生过拟合现象,提出的深度学习模型具备良好的泛化能力。     

基于多层极限学习机的电能质量扰动多标签分类算法

电力系统中电能质量扰动分类特征选择标准不统一、泛化能力差、分类效果与分类效率有待提高。为了解决这些问题,一方面,引入多层极限学习机自编码器,优化输入权重,完成电能质量扰动信号的特征提取。另一方面,引入多标签排位分类算法,充分考虑各标签之间的相关性,完成电能质量扰动的分类。基于两种算法,设计出基于多层极限学习机的多标签分类模型,并得到多层极限学习机的最优网络结构和多标签分类的最佳分类阈值。实验结果表明,所提方法适用于电能质量单一扰动和复合扰动的分类,改善了分类效果和分类效率,具有较高的分类精度、良好的抗噪能力和泛化能力。     

基于Fisher主元分析和核极限学习机的非侵入式电力负荷辨识模型

非侵入式电力负荷监测与辨识是实现泛在电力物联网客户侧智能感知的关键技术.针对现有辨识模型存在的特征冗余度高、辨识准确率差、计算效率低等问题,提出了一种基于Fisher主元分析(Fisher principal component analysis,FPCA)和核极限学习机(kernel extreme learning...     

基于字符级CNN的调水工程巡检文本智能分类方法

日常安全巡检是维护长距离调水工程安全运行的重要手段.目前巡检采集的非结构化文本数据主要依靠人工进行安全等级评判,在工作效率和准确率方面存在明显不足.本研究基于自然语言处理技术,提出了一种面向字符层面的卷积神经网络的巡检安全文本智能分类方法.该方法通过引入预训练的单个字符向量改进卷积神经网络的输入层,使得分类模型直接从原...     

基于增量学习优化的故障录波文件通道名称识别方法

智能变电站不同建设时期各类录波厂家配置的双套录波通道名称命名习惯不同,导致故障录波文件相同通道不同设备命名不同。后期采用人工方式修改工作量大、所需时间长,且无法保证结果的正确性。针对此问题,提出一种基于增量学习优化的录波文件通道名称识别方法。首先,从故障录波配置文件中提取通道名称并进行文本预处理。其次,使用基于增量学习优化的Word2vec模型实现通道名称中文词向量的生成与在线学习。然后,采用余弦相似度和逆文本频率相结合的文本相似度匹配算法实现录波文件通道名称识别。最后,通过录波文件中提取的通道名称构成实验数据进行实验。算例结果表明,所提方法有效地提高了录波文件通道名称识别的自适应性和准确性。     

基于一维卷积神经网络多任务学习的电能质量扰动识别方法

传统电能质量识别需要先用信号处理技术提取信号特征,且已有的多分类和多标签分类建模方式没有很好地反映多重扰动和单扰动之间的标签关联性,使得复合扰动分类的鲁棒性和抗噪性能不理想。针对这些问题,提出了一种基于多任务学习的一维卷积神经网络模型来识别各种电能质量扰动。此结构去除了传统方法的信号特征提取阶段,将扰动分类任务分成四个子任务,设计了相应的标签编码方案,最后输出一个10维标签向量完成多任务分类。仿真结果表明,该方法在不同信噪比时均具有较好的识别准确率,表明此模型具有较强的鲁棒性和抗噪声能力。同时,多任务分类相比One-hot多分类和多标签分类准确率更高,表明了该建模方式的有效性。     

CNN 集成机器学习的金属缺陷少样本分类方法

针对金属缺陷分类,以深度学习为代表的分类方法主要是基于大规模数据的统计学习方法,一方面需要大量优质的标注样本,另一方面对数据中未能涵盖的样本泛化性能差。提出了一种利用集成学习思想,将人类分类知识嵌入到深度学习的少样本分类方法。首先搭建了一个卷积神经网络作为分类模型的骨干网络,并设计了一个利用机器学习的类人学习模块,利用人类分类所用特征进行分类。此外,为了提高模型的泛化性、鲁棒性和更好的融合效果,设计了一种以对数函数为核心的数学集成模型,模块中的数学集成模型利用集成学习思想将骨干网络和类人学习模块的输出进行耦合。实验结果表明,对于小训练集大测试集的金属缺陷数据在分类性能和训练参数量方面优于深度学习方法。此外,类人学习模块和数学集成模型嵌入到不同的骨干网络上均取得了很好的性能,表明所提出的方法适用于多种深度卷积神经网络。     

基于稀疏贝叶斯学习的电力系统暂态稳定评估

介绍了基于稀疏贝叶斯学习理论的模式识别技术相关向量机及其分类器,在此基础上构建了电力系统暂态稳定评估模型.以EPRI36电力系统暂态稳定仿真数据为例,在相同的数据输入和相同的仿真环境下同时构建相关向量机和支持向量机2种暂态稳定评估模型.仿真预测计算显示,作为一种全新的概率学习模型,相关向量机不仅得到了比支持向量机更高的预测精确度,而且还能得到支持向量机无法完成的概率性预测和更高的稀疏性计算.     

基于机器学习的混合模型在电力负荷预测中的应用

从电力负荷的变化特点入手,提出基于机器学习的混合模型,该模型采用具有自适应噪声的完整集合经验模式分解技术对电力负荷进行分解,剔除高频噪声影响后,对负荷序列进行重构,采用多目标花授粉优化算法对极限学习机进行优化,分析认为该模型可提高极限学习机预测的准确性和稳定性,结合江苏省月度负荷预测案例验证了模型的有效性.