CN116108169B - 一种基于知识图谱的热线工单智能分派方法 - Google Patents
一种基于知识图谱的热线工单智能分派方法 Download PDFInfo
- Publication number
- CN116108169B CN116108169B CN202211590719.6A CN202211590719A CN116108169B CN 116108169 B CN116108169 B CN 116108169B CN 202211590719 A CN202211590719 A CN 202211590719A CN 116108169 B CN116108169 B CN 116108169B
- Authority
- CN
- China
- Prior art keywords
- event
- text
- hotline
- word
- entity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 41
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 239000013604 expression vector Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000002950 deficient Effects 0.000 abstract description 2
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000010187 selection method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Animal Behavior & Ethology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于知识图谱的热线工单智能分派方法，属于工单派发领域。本发明采用自然语言处理技术对工单文本的事件描述进行事件提取，获取热线事件的触发词、事件角色内容，从而得到事件文本的关键信息，这些热线事件的关键信息作为构建知识图谱的基础信息，根据热线事件提取得到的“事件‑事件类型”、“事件‑触发词”、“事件‑事件角色”等信息，根据事件的关键信息设计多个问题，结合该关键信息实体在知识图谱中的信息并使用答案选择的方法来获取该事件的候选分派部门。本发明针对现有技术中热线工单人工分派准确性有所欠缺的情况，有助于提升热电工单分派准确性，更好的实现“接诉即办”。
Description
技术领域
本发明涉及工单派发技术领域，更具体地说，涉及一种基于知识图谱的热线工单智能分派方法。
背景技术
市长热线工单(以下简称“工单”)是接线员根据市民来电所记录的文本信息，其要素为时间、地点、人物、事件。工单文本信息在空间序列上呈现出楼宇、小区、社区、街道的逐层扩散特征，在主题序列上通常覆盖城市生活各个方面的连续扩展特征。接线员对于工单需要寻找拟分派的责任部门，而可选的责任部门通常多达几十个，确认责任部门的环节费时费力。此外，人工工单分派准确与否依赖于接线员对市民诉求分类的准确判断和对各责任部门职能的深入了解。在市长热线运营实践中，错误派单时常发生，造成了不必要的二次分派。随着市长热线受理的城市事件种类越来越庞杂、数量越来越多，工单智能分派势在必行。
为了实现市长热线工单自动分派，一般采用基于机器学习的方法：首先从工单文本描述中提取特征，然后将多个特征串联起来组成一个高维度的特征向量，最后使用分类器完成分类。这种方法需要做大量的特征工程，特征的选取和分析方式复杂，导致花费大量精力去构思出来的特征可能与指定的任务不相关。更进一步，可以使用卷积神经网络(CNN,Convolutional Neural Networks)、循环神经网络(RNN,Recurrent Neural Network)、长短期记忆循环神经网络(LSTM,Long Short-Term Memory)自动完成工单文本特征提取和分类任务。然而，属于同一大类但不同小类的工单在文本信息描述上具有很多相似性。例如，同属于“街面秩序”类下的“占道停车”和“占道修车”的描述非常类似，但却归属不同的责任部门(公安局和城管局)，利用单一神经网络的方法很难发现这种微小的差异，较难判断所归属的责任部门。
经检索，公开号CN112541351A的专利公开了一种住建领域政务热线工单派发方法及系统，通过对住建领域政府热线工单文本进行分词构建文档词条矩阵，输入预训练的支持向量机模型来预测工单的责任单位。该方法仅能适用于住建部门相关工单，无法适用于其他部门。
发明内容
1.发明要解决的技术问题
针对现有技术中热线工单人工分派准确性有所欠缺的情况，本发明拟提供一种基于知识图谱的热线工单智能分派方法，有助于提升热电工单分派准确性，更好的实现“接诉即办”。
2.技术方案
为达到上述目的，本发明提供的技术方案为：
本发明的一种基于知识图谱的热线工单智能分派方法，采用自然语言处理技术对工单文本的事件描述进行事件提取，获取热线事件的触发词、事件角色内容，从而得到事件文本的关键信息，这些热线事件的关键信息作为构建知识图谱的基础信息。事件提取结果主要包含“事件-事件类型”、“事件-触发词”、“事件-事件角色”等信息，根据这些信息构建事件三元组，然后使用实体融合、关系发现与关系推理等知识图谱相关技术将这些三元组进行融合关联，以此构建事件关键信息的知识图谱。根据热线事件提取得到的“事件-事件类型”、“事件-触发词”、“事件-事件角色”等信息，根据事件的关键信息设计多个问题，结合该关键信息实体在知识图谱中的信息并使用答案选择的方法来获取该事件的候选分派部门。
部门分派的关键是对工单文本内容本身的分析以及挖掘工单文本中事件与政府部门之间的关系，本发明提出的基于事件提取和知识图谱的热线工单智能分派方法包含三个主要部分：S100、基于历史热线工单文本的事件提取；S200、基于事件关键信息的知识图谱构建；S300、基于知识图谱问答的分派部门预测。
其中S100中热线工单文本事件提取技术包含事件检测和事件角色识别两个部分，其中事件检测过程如下：
S111、对事件文本进行句子分割，并使用jieba分词进行分词处理得到documenttokens和sentencetokens；
S112、使用词嵌入方法对documenttokens进行编码，然后使用CNN网络和RNN网络分别提取热线事件文本的局部特征与全局特征，然后结合Attention机制，得到热线事件文本的表示向量V1；
S113、对sentencetokens进行词嵌入处理，并使用AMR算法对每个句子生成AMR图，结合关键词、AMR根节点等方式连接多个AMR图得到事件文本整体AMR图，使用GCN网络编码AMR图，得到热线事件文本的表示向量V2；
S114、使用BERT预训练语言模型处理热线事件文本的每个句子，生成句子中所有词的词向量，然后使用SIF权重将词向量组成多个句向量，根据文本的内容层次分布，(如文章的中心内容主要集中在第一句或最后一句，句子长度等)，使用加权平均的方法将多个句向量组合成热线事件文本的表示向量V3；
S115、采用门控机制融合三种类型的表示向量V1，V2，V3，得到对应的融合向量Vfuse，最后使用全连接网络对融合向量进行事件多标签分类和事件触发词识别，得到对应的多标签事件类型以及触发词集合。
事件角色识别过程如下：
S121、将对事件文本进行jieba分词处理得到分词结果，并使用词嵌入方式进行处理得到对应的编码结果；
S122、使用BiLSTM+CRF模型对编码后的结果进行命名实体识别，识别出热线事件文本中所有的实体向量；
S123、对于不同事件类型，首先根据embedding表找到其对应触发词的embedding向量，并使用BiLSTM网络进行编码，得到事件触发词表示向量Vt；
S124、拼接事件类型对应的触发词表示向量Vt和实体向量，计算不同事件类型的事件角色。
S200中基于历史热线工单分派结果，可以得到事件处理部门、事件结果等信息，根据事件提取算法结果可以得到热线事件的触发词、事件类型、事件角色等信息，以事件编号、部门名称、事件类型名称等实体作为节点可以得到多个三元组：
“事件-处理部门-部门名”，“事件-处理-处理方式”，“事件-事件类型-事件类型名称”，“事件-触发词-触发词名称”，“事件-事件角色-角色内容”；
这些三元组可以得到某个历史事件的关系图，将这些事件关系图连接起来得到热线工单事件的知识图谱，其中同一事件可以关联多个类型、多个触发词、多个处理部门等，事件关系图通过事件类型、触发词、处理部门等信息进行连接；具体构建过程包括：
S201、对事件角色内容、处理结果等实体采用实体对齐技术进行处理，发现潜在对齐实体，使用同一命名格式将其重命名；
S202、对于实体对齐后的结果，融合相同的事件角色、事件处理方式，不同事件关系图通过事件角色、事件处理方式进行关联。
根据上述过程可以构建出基于事件关键信息的知识图谱。
S300中基于知识图谱问答的分派部门预测过程如下：
S301、对设计的问题进行分词处理，并采用BiLSTM网络对分词结果进行特征提取，得到对应的问题表示向量；
S302、对知识图谱中包含问题中关键实体(如：XX类型、XX触发词等)的多层邻域关系，使用TransR进行图嵌入处理，得到对应的嵌入向量；
S303、将输入实体的多层邻域关系实体都视为候选答案，预测问题和关系实体的概率得分，选取概率得分最高的实体作为问题答案(分派部门)；
S304、根据设计的多个通用型问题得到多个候选部门，设置特定阈值，选取概率得分超过给定阈值的实体作为答案候选集(可选择的分派部门和关联部门)。
3.有益效果
采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：
本发明的基于知识图谱的热线工单智能分派方法，能够提升市长热线手工分派的准确性，能够更好的实现“接诉即办”。
附图说明
图1为本发明中事件检测的流程示意图；
图2为本发明中事件角色识别的流程示意图；
图3为本发明中基于知识图谱问答的分派部门预测模型示意图。
具体实施方式
为进一步了解本发明的内容，结合附图对本发明作详细描述。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
下面结合实施例对本发明作进一步的描述。
实施例1
本实施例的基于事件提取和知识图谱的热线工单智能分派方法包括：
S100、基于历史热线工单文本的事件提取；
S200、基于事件关键信息的知识图谱构建；
S300、基于知识图谱问答的分派部门预测。
具体地，S100中热线工单文本事件提取技术包含事件检测和事件角色识别两个部分：
事件检测过程如下：
S111、对事件文本进行句子分割，并使用jieba分词进行分词处理得到documenttokens和sentencetokens；
S112、使用词嵌入方法对documenttokens进行编码，然后使用CNN网络和RNN网络分别提取热线事件文本的局部特征与全局特征，然后结合Attention机制，得到热线事件文本的表示向量V1；
S113、对sentencetokens进行词嵌入处理，并使用AMR算法对每个句子生成AMR图，结合关键词、AMR根节点等方式连接多个AMR图得到事件文本整体AMR图，使用GCN网络编码AMR图，得到热线事件文本的表示向量V2；
S114、使用BERT预训练语言模型处理热线事件文本的每个句子，生成句子中所有词的词向量，然后使用SIF权重将词向量组成多个句向量，根据文本的内容层次分布，(如文章的中心内容主要集中在第一句或最后一句，句子长度等)，使用加权平均的方法将多个句向量组合成热线事件文本的表示向量V3；
S115、采用门控机制融合三种类型的表示向量V1，V2，V3，得到对应的融合向量Vfuse，最后使用全连接网络对融合向量进行事件多标签分类和事件触发词识别，得到对应的多标签事件类型以及触发词集合。
事件角色识别过程如下：
S121、将对事件文本进行jieba分词处理得到分词结果，并使用词嵌入方式进行处理得到对应的编码结果；
S122、使用BiLSTM+CRF模型对编码后的结果进行命名实体识别，识别出热线事件文本中所有的实体向量；
S123、对于不同事件类型，首先根据embedding表找到其对应触发词的embedding向量，并使用BiLSTM网络进行编码，得到事件触发词表示向量Vt；
S124、拼接事件类型对应的触发词表示向量Vt和实体向量，计算不同事件类型的事件角色。
S200中基于历史热线工单分派结果，可以得到事件处理部门、事件结果等信息，根据事件提取算法结果可以得到热线事件的触发词、事件类型、事件角色等信息，以事件编号、部门名称、事件类型名称等实体作为节点可以得到多个三元组：
“事件-处理部门-部门名”，“事件-处理-处理方式”，“事件-事件类型-事件类型名称”，“事件-触发词-触发词名称”，“事件-事件角色-角色内容”；
这些三元组可以得到某个历史事件的关系图，将这些事件关系图连接起来得到热线工单事件的知识图谱，其中同一事件可以关联多个类型、多个触发词、多个处理部门等，事件关系图通过事件类型、触发词、处理部门等信息进行连接；具体构建过程包括：
S201、对事件角色内容、处理结果等实体采用实体对齐技术进行处理，发现潜在对齐实体，使用同一命名格式将其重命名；
S202、对于实体对齐后的结果，融合相同的事件角色、事件处理方式，不同事件关系图通过事件角色、事件处理方式进行关联。
根据上述过程可以构建出基于事件关键信息的知识图谱。
S300中基于知识图谱问答的分派部门预测过程如下：
S301、对设计的问题进行分词处理，并采用BiLSTM网络对分词结果进行特征提取，得到对应的问题表示向量；
S302、对知识图谱中包含问题中关键实体(如：XX类型、XX触发词等)的多层邻域关系，使用TransR进行图嵌入处理，得到对应的嵌入向量；
S303、将输入实体的多层邻域关系实体都视为候选答案，预测问题和关系实体的概率得分，选取概率得分最高的实体作为问题答案(分派部门)；
S304、根据设计的多个通用型问题得到多个候选部门，设置特定阈值，选取概率得分超过给定阈值的实体作为答案候选集(可选择的分派部门和关联部门)。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，只是本发明的实施方式之一，实际并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (1)
1.一种基于知识图谱的热线工单智能分派方法，其特征在于：包括：
S100、基于历史热线工单文本的事件提取；包含事件检测和事件角色识别，其中事件检测过程如下：
S111、对事件文本进行句子分割，并使用jieba分词进行分词处理得到documenttokens和sentencetokens；
S112、使用词嵌入方法对documenttokens进行编码，然后使用CNN网络和RNN网络分别提取热线事件文本的局部特征与全局特征，然后结合Attention机制，得到热线事件文本的表示向量V1；
S113、对sentencetokens进行词嵌入处理，并使用AMR算法对每个句子生成AMR图，连接多个AMR图得到事件文本整体AMR图，使用GCN网络编码AMR图，得到热线事件文本的表示向量V2；
S114、使用BERT预训练语言模型处理热线事件文本的每个句子，生成句子中所有词的词向量，然后使用SIF权重将词向量组成多个句向量，根据文本的内容层次分布，使用加权平均的方法将多个句向量组合成热线事件文本的表示向量V3；
S115、采用门控机制融合三种类型的表示向量V1，V2，V3，得到对应的融合向量Vfuse，最后使用全连接网络对融合向量进行事件多标签分类和事件触发词识别，得到对应的多标签事件类型以及触发词集合；
事件角色识别过程如下：
S121、将对事件文本进行jieba分词处理得到分词结果，并使用词嵌入方式进行处理得到对应的编码结果；
S122、使用BiLSTM+CRF模型对编码后的结果进行命名实体识别，识别出热线事件文本中所有的实体向量；
S123、对于不同事件类型，首先根据embedding表找到其对应触发词的embedding向量，并使用BiLSTM网络进行编码，得到事件触发词表示向量Vt；
S124、拼接事件类型对应的触发词表示向量Vt和实体向量，计算不同事件类型的事件角色；
S200、基于事件关键信息的知识图谱构建；具体为基于历史热线工单分派结果，结合事件提取算法可以得到热线事件的相关信息，以多个事件信息实体作为节点可以得到多个事件节点三元组，具体包括“事件-处理部门-部门名”，“事件-处理-处理方式”，“事件-事件类型-事件类型名称”，“事件-触发词-触发词名称”，“事件-事件角色-角色内容”；
知识图谱构建过程如下：
S201、对事件信息实体采用实体对齐技术进行处理，发现潜在对齐实体，使用同一命名格式将其重命名；
S202、对于实体对齐后的结果，融合相同的事件角色、事件处理方式，不同事件关系图通过事件角色、事件处理方式进行关联；
S300、基于知识图谱问答的分派部门预测；
过程如下：
S301、对设计的问题进行分词处理，并采用BiLSTM网络对分词结果进行特征提取，得到对应的问题表示向量；
S302、对知识图谱中包含问题中关键实体的多层邻域关系，使用TransR进行图嵌入处理，得到对应的嵌入向量；
S303、将输入实体的多层邻域关系实体都视为候选答案，预测问题和关系实体的概率得分，选取概率得分最高的实体作为问题答案；
S304、根据设计的多个通用型问题得到多个候选部门，设置特定阈值，选取概率得分超过给定阈值的实体作为答案候选集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211590719.6A CN116108169B (zh) | 2022-12-12 | 2022-12-12 | 一种基于知识图谱的热线工单智能分派方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211590719.6A CN116108169B (zh) | 2022-12-12 | 2022-12-12 | 一种基于知识图谱的热线工单智能分派方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116108169A CN116108169A (zh) | 2023-05-12 |
| CN116108169B true CN116108169B (zh) | 2024-02-20 |
Family
ID=86258819
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211590719.6A Active CN116108169B (zh) | 2022-12-12 | 2022-12-12 | 一种基于知识图谱的热线工单智能分派方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116108169B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116795963A (zh) * | 2023-05-25 | 2023-09-22 | 上海蜂威科技发展有限公司 | 一种基于知识图谱问答的热线分拨方法 |
| CN117094688B (zh) * | 2023-10-20 | 2023-12-19 | 国网信通亿力科技有限责任公司 | 一种供电所数字化管控方法及系统 |
| CN117726104B (zh) * | 2023-12-05 | 2024-10-29 | 广州市白云区政务服务数据管理局 | 一种热线工单的派单方法、装置、设备和存储介质 |
| CN117435697B (zh) * | 2023-12-21 | 2024-03-22 | 中科雨辰科技有限公司 | 一种获取核心事件的数据处理系统 |
| CN117829494A (zh) * | 2023-12-27 | 2024-04-05 | 合肥工业大学 | 基于领域知识图谱的服务热线工单智能识别分发平台 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110543562A (zh) * | 2019-08-19 | 2019-12-06 | 武大吉奥信息技术有限公司 | 一种基于事件图谱的城市治理事件自动分拨方法及系统 |
| CN112632223A (zh) * | 2020-12-29 | 2021-04-09 | 天津汇智星源信息技术有限公司 | 案事件知识图谱构建方法及相关设备 |
| CN112699681A (zh) * | 2020-12-17 | 2021-04-23 | 国网冀北电力有限公司信息通信分公司 | 基于知识图谱的电力通信系统缺陷故障派单方法及装置 |
| CN112836120A (zh) * | 2021-01-27 | 2021-05-25 | 深圳大学 | 一种基于多模态知识图谱的电影推荐方法、系统及终端 |
| CN113420117A (zh) * | 2021-06-23 | 2021-09-21 | 北京交通大学 | 一种基于多元特征融合的突发事件分类方法 |
| CN113590837A (zh) * | 2021-07-29 | 2021-11-02 | 华中农业大学 | 一种基于深度学习的食品及健康知识图谱构建方法 |
| CN113657091A (zh) * | 2021-09-02 | 2021-11-16 | 长三角信息智能创新研究院 | 基于事件提取和权责清单的政务热线工单分拨方法 |
| CN113868427A (zh) * | 2020-06-30 | 2021-12-31 | 中国移动通信集团天津有限公司 | 一种数据处理方法、装置及电子设备 |
| CN113919811A (zh) * | 2021-10-15 | 2022-01-11 | 长三角信息智能创新研究院 | 基于强化关联的热线事件分拨方法 |
| CN114064918A (zh) * | 2021-11-06 | 2022-02-18 | 中国电子科技集团公司第五十四研究所 | 一种多模态事件知识图谱构建方法 |
| CN114676233A (zh) * | 2021-12-15 | 2022-06-28 | 清华大学 | 基于骨骼肌知识图谱的医疗自动问答方法 |
| CN114936727A (zh) * | 2022-01-18 | 2022-08-23 | 中国电信集团工会上海市委员会 | 一种工单派发系统、方法及计算机设备 |
| CN115034224A (zh) * | 2022-01-26 | 2022-09-09 | 华东师范大学 | 一种融合多种文本语义结构图表示的新闻事件检测方法和系统 |
| CN115114409A (zh) * | 2022-07-19 | 2022-09-27 | 中国民航大学 | 一种基于软参数共享的民航不安全事件联合抽取方法 |
| CN115203532A (zh) * | 2022-06-07 | 2022-10-18 | 深圳路演时刻网络数据有限公司 | 一种项目推荐方法、装置、电子设备及存储介质 |
| CN115438995A (zh) * | 2022-09-21 | 2022-12-06 | 青岛酷特智能股份有限公司 | 一种基于知识图谱的服装定制企业的业务处理方法及设备 |
| CN115470867A (zh) * | 2022-10-17 | 2022-12-13 | 云南电网有限责任公司信息中心 | 基于知识图谱的坐席匹配方法、装置、设备及存储介质 |
-
2022
- 2022-12-12 CN CN202211590719.6A patent/CN116108169B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110543562A (zh) * | 2019-08-19 | 2019-12-06 | 武大吉奥信息技术有限公司 | 一种基于事件图谱的城市治理事件自动分拨方法及系统 |
| CN113868427A (zh) * | 2020-06-30 | 2021-12-31 | 中国移动通信集团天津有限公司 | 一种数据处理方法、装置及电子设备 |
| CN112699681A (zh) * | 2020-12-17 | 2021-04-23 | 国网冀北电力有限公司信息通信分公司 | 基于知识图谱的电力通信系统缺陷故障派单方法及装置 |
| CN112632223A (zh) * | 2020-12-29 | 2021-04-09 | 天津汇智星源信息技术有限公司 | 案事件知识图谱构建方法及相关设备 |
| CN112836120A (zh) * | 2021-01-27 | 2021-05-25 | 深圳大学 | 一种基于多模态知识图谱的电影推荐方法、系统及终端 |
| CN113420117A (zh) * | 2021-06-23 | 2021-09-21 | 北京交通大学 | 一种基于多元特征融合的突发事件分类方法 |
| CN113590837A (zh) * | 2021-07-29 | 2021-11-02 | 华中农业大学 | 一种基于深度学习的食品及健康知识图谱构建方法 |
| CN113657091A (zh) * | 2021-09-02 | 2021-11-16 | 长三角信息智能创新研究院 | 基于事件提取和权责清单的政务热线工单分拨方法 |
| CN113919811A (zh) * | 2021-10-15 | 2022-01-11 | 长三角信息智能创新研究院 | 基于强化关联的热线事件分拨方法 |
| CN114064918A (zh) * | 2021-11-06 | 2022-02-18 | 中国电子科技集团公司第五十四研究所 | 一种多模态事件知识图谱构建方法 |
| CN114676233A (zh) * | 2021-12-15 | 2022-06-28 | 清华大学 | 基于骨骼肌知识图谱的医疗自动问答方法 |
| CN114936727A (zh) * | 2022-01-18 | 2022-08-23 | 中国电信集团工会上海市委员会 | 一种工单派发系统、方法及计算机设备 |
| CN115034224A (zh) * | 2022-01-26 | 2022-09-09 | 华东师范大学 | 一种融合多种文本语义结构图表示的新闻事件检测方法和系统 |
| CN115203532A (zh) * | 2022-06-07 | 2022-10-18 | 深圳路演时刻网络数据有限公司 | 一种项目推荐方法、装置、电子设备及存储介质 |
| CN115114409A (zh) * | 2022-07-19 | 2022-09-27 | 中国民航大学 | 一种基于软参数共享的民航不安全事件联合抽取方法 |
| CN115438995A (zh) * | 2022-09-21 | 2022-12-06 | 青岛酷特智能股份有限公司 | 一种基于知识图谱的服装定制企业的业务处理方法及设备 |
| CN115470867A (zh) * | 2022-10-17 | 2022-12-13 | 云南电网有限责任公司信息中心 | 基于知识图谱的坐席匹配方法、装置、设备及存储介质 |
Non-Patent Citations (7)
| Title |
|---|
| Gated Fully Fusion for Semantic Segmentation;Xiangtai Li 等;Proceedings of the AAAI conference on artificial intelligence;11418-11425 * |
| Li-Yuan Geng ; Wei Jin ; Han-Bing Qu.Emergency Events Classification Based on Minsheng Hotline Unbalanced Short-Text.《2017 IEEE International Conference on Big Knowledge(ICBK)》.2017,188-191. * |
| 利用门控机制融合依存与语义信息的事件检测方法;陈佳丽;洪宇;王捷;张婧丽;姚建民;;中文信息学报(第08期);51-60 * |
| 国内基于知识图谱的信息推荐研究进展;孙雨生;祝博;朱礼军;;情报理论与实践(第12期);163-169+149 * |
| 基于依存句法分析与分类器融合的触发词抽取方法;高源;席耀一;李弼程;;《计算机应用研究》;20160531;第 33 卷(第 5 期);1407-1410 * |
| 基于知识图谱的电信行业人才管理应用研究;许经伟;李雪迪;王文学;;《信息通信》;20200915(第 9 期);219-221 * |
| 融合RoBERTa和特征提取的政务热线工单分类;陈钢;《计算机与现代化》;20220630(第 6 期);21-26+31 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116108169A (zh) | 2023-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116108169B (zh) | 一种基于知识图谱的热线工单智能分派方法 | |
| CN111046132B (zh) | 一种检索多轮对话的客服问答处理方法及其系统 | |
| CN111026842B (zh) | 自然语言处理方法、自然语言处理装置及智能问答系统 | |
| CN112347222B (zh) | 一种基于知识库推理的将非标准地址转换为标准地址的方法及系统 | |
| CN113392986B (zh) | 一种基于大数据的公路桥梁信息抽取方法及管理养护系统 | |
| CN112581106B (zh) | 一种融合处置机构网格语义的政务事件自动派单方法 | |
| CN105069047B (zh) | 一种地理信息的检索方法及装置 | |
| CN109376227A (zh) | 一种基于多任务人工神经网络的刑期预测方法 | |
| CN113312501A (zh) | 基于知识图谱的安全知识自助查询系统的构建方法及装置 | |
| CN104464733A (zh) | 一种语音对话的多场景管理方法及装置 | |
| Choi et al. | Conceptual cost-prediction model for public road planning via rough set theory and case-based reasoning | |
| CN109165275B (zh) | 基于深度学习的智能变电站操作票信息智能搜索匹配方法 | |
| CN107145991B (zh) | 一种考虑路段相关性的时变随机网络动态路径搜索方法 | |
| CN115330268A (zh) | 一种应对矿山灾难的综合性应急指挥方法及系统 | |
| CN116484024A (zh) | 一种基于知识图谱的多层次知识库构建方法 | |
| CN111524353A (zh) | 一种交通文本数据用于速度预测及行程规划方法 | |
| CN115017425B (zh) | 地点检索方法、装置、电子设备以及存储介质 | |
| CN114676353B (zh) | 一种基于分节推断的地址匹配方法 | |
| CN116089595A (zh) | 基于科技成果的数据处理推送方法、装置及介质 | |
| CN115100395A (zh) | 一种融合poi预分类和图神经网络的城市街区功能分类方法 | |
| CN113032571A (zh) | 一种实体和关系抽取方法 | |
| CN115953080B (zh) | 工程师服务等级确定方法、设备和存储介质 | |
| CN116824868A (zh) | 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质 | |
| CN115982391A (zh) | 信息处理方法及装置 | |
| CN115017144B (zh) | 一种基于图神经网络的司法文书案情要素实体识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |