[发明专利]一种智能投诉分类与处理系统

权利要求书

1.一种基于深度学习的智能投诉分类与处理系统，它包括对投诉语音、文本进行向量化处理，BP神经网络深度学习实现投诉分类，BP神经网络深度学习，实现投诉处理。

2.文本向量化处理，文本的表示主要采用向量空间模型(VSM)。向量空间模型的基本思想是以向量来表示文本:(W1,W2,W3,W4,W5)其中Wi为第i个特征项的权重。通常词汇作为向量的维数来表示文本。最初的向量表示完全是0,1形式，即:如果文本中出现了该词，那么文本向量的该维度为1，否则为0。采用文本的空间向量模型，首先建立投诉常用词汇库WordDic。如词汇库中包含词汇：1、退订业务(取消业务)；2、业务费用；3、退费；4、不能使用；5、退货；6、质量低；7、快递；8、包装等。

投诉文本转换为空间向量算法：

(1)文本分词

(2)建立分词向量

当输入用户投诉文本后，首先进行分词操作，将投诉文本中的关键词取出，然后通过检索词库中的关键字(包含关键字同义词)，如果存在该关键字，该词汇按照所在词库的序列位置在空间向量相应的维数中填写1，反之则填写0。假设WordDic词库只包含如下9个词汇，用户投诉内容为“用户反映不能正常使用XX产品订购业务，请处理”通过轮询检索关键字：第一位0，第二位0，第三位1，第四位1，第五到第九位都是0，算法最后得到文本向量(0,0,1,1,0,0,0,0,0)。

3.BP神经网络深度学习实现投诉分类，采用BP神经网络，建立一个有五层网络模型，输入层，隐藏层layer1，隐藏层layer2，隐藏层layer3、输出层。选择的激励函数是sigmoid函数:

首先在对输入层输入我们投诉文本进行线性组合。经过隐含层的函数的作用，在输出端口输出值,每一层经过线性组合进行输入,通过激励函数进行输出。我们的目标是代价函数让代价函数越小，神经网络分类越准确)。具体让代价函数变小的过程是，梯度下降算法，并且使用反向传播算法缩小误差。

系统实现该神经网络集成结构包括三个重要步骤：

(1)通过多层神经网络，利用文本向量进行深度训练，每一层输出是下一层能输入。

(2)持续训练神经网络(分类器)对用户投诉(单特征值的识别)的识别分类。(投诉分类的数量不大，种类在25-30类左右)。

(3)系统机器分类结果与实际结果进行误差分析并修改相应的权值。

(4)机器生成分类结果同时反馈到客户服务系统和下一步智能投诉处理流程。

以上结构采用的深度多层神经网络算法，输入与输出可以快速建立明确的对应关系，计算复杂度不高，由于服务类投诉的局限性(词库容量大概500个，无需考虑多特征值输入)，系统训练的样本不大，实现过程中可操作性强。

4.BP神经网络深度学习实现投诉处理，利用投诉分类结果和文本向量，继续进行深度学习训练，目的是机器实现投诉处理输出。首先我们将每一种类型的投诉的标准输出(用户满意结果)进行顺寻排列将用户满意投诉回复进文本向量转换，形成一个分类的投诉回复结果序列池RESLUTPOOL。(每一种分类都有一个RESLUTPOOL)。

采用神经网络深度学习，进行特定投诉类型的输出匹配，实现机器智能回复。(通过分类结果确认回复序列池RESLUTPOOL，降低系统学习复杂度)，与步骤(2)的方法步骤类似，采用BP神经网络，建立一个有五层层网络模型，输入层，隐藏层layer1，隐藏层layer2，隐藏层layer3、输出层。选择的激励函数是sigmoid函数，首先在输入层输入我们投诉向量和投诉分类向量进行输入(相对步骤2，增加分类结果向量输入)，输出为该类投诉的经过隐含层的函数的作用，在输出端口的RESTPOOL序列池中选择应该回复内容，从而实现机器智能回复。

系统处理的向量结果是RESLUT，将RESLUT的文本向量处理结果向量R进行误差分析比对，将输出值进行误差计算，如果没有达到误差要求，根据正确结果，输出反馈信息到输入层和隐藏层，调节权值和相关函数，来达到优化输出值的作用。