[发明专利]基于相似度词序矩阵的电力客服工单情感量化分析方法

说明书

本发明公开了一种基于Word2Vec的电力客服工单情感量化分析方法，涉及一种电力客服工单分析方法。传统的情感分析方法不能有效甄别情感强度。本发明结合电力客服工单文本特征，对历史电力客服工单和不满意工单进行分类梳理、数据清洗，再基于百度词库梳理形成初始化多元情感词库，采用逆向最大匹配算法进行工单文本分词，基于Word2Vec神经网络构建融合客户诉求语义的积极词、消极词、否定词、程度副词、以及词序的词向量，通过历史客服工单进行机器学习训练生成融合诉求情感的学习模型，基于模型中的词性亲疏关系来拓展词性语料库，采用相似度词序矩阵量化算法进行情感量化计算，完成客服工单情感量化分析，有效区分情感强弱差异，确定紧急程度。

技术领域

本发明涉及一种电力客服工单分析方法，尤其涉及基于相似度词序矩阵的电力客服工单情感量化分析方法。

背景技术

随着社会经济的发展，电力体制改革的不断深化，供电企业只有坚持以客户为中心，提升客户满意度，才能取得市场化竞争优势。而95598作为客户交流与沟通的重要渠道窗口，通过对客服工单中隐含的客户特征、情感信息进行深度挖掘，实现量化客户诉求情感分析，有利于快速了解客户的关注焦点，有利于根据客户情感倾向性识别潜在的投诉客户，有利于支撑工单紧急度优先处理与分析，有利于根据反馈信息判别某项业务的实施效果，这些对电力企业和客户都将具有十分重要的意义。

传统方式下，针对工单诉求情感分析，需要设立多名诉求分析专职对客户诉求工单进行人工分析和处理，耗费大量人力成本。

情感分析主要是面向非结构化文本的自然语言处理，通过对文本中隐藏的情感信息进行分析，挖掘人对于事物或者事件所持有的观点和态度。目前，普遍情感分析侧重于情感极性分类，简单表示为情感是正向的还是负向的；而情感强度体现则需要量化情感手段实现。传统情感分析过程主要分为三部分：特征工程、特征选择和机器学习算法应用。它偏向于使用工程特征或者极性转移规则来提高准确率。而对文本的情感量化分析计算在国内外研究并不多，多数研究侧重于情感倾向性分类。

传统的情感分析方法基于词袋(bag-of-word)特征和词频统计，同时多数研究侧重于情感倾向性分类，这种方法存在以下三方面缺陷：(1)缺失词的上下文顺序和语义理解；(2)忽略词的语义间差异；(3)侧重于情感倾向性分类无法体现情感强弱差异。总之不能有效甄别情感强度。

发明内容

本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供基于相似度词序矩阵的电力客服工单情感量化分析方法，以达到有效甄别情感强度的目的。为此，本发明采取以下技术方案。

基于相似度词序矩阵的电力客服工单情感量化分析方法，包括基于Word2Vec相似度情感词拓展联想步骤、多元情感语料库构建步骤、相似度词序矩阵情感量化算法步骤；

Word2Vec相似度情感词拓展联想步骤：用于初始化多元分类词库，分类词库分为积极词、消极词、中性词、否定词、程度副词，通过Word2Vec相似度矩阵实现相近情感词拓展关联，同时这些词融合客户诉求语义的词性倾向和词序强弱关系；通过对工单诉求进行Word2Vec深度学习形成积极词、消极词、中性词、否定词、程度副词之间的空间关联关系；

多元情感语料库构建步骤：用于基于词向量空间距离亲疏关系，丰富拓展初始化多元分类词库，构建融合客户诉求情感倾向的多元情感语料库；在对电力客服业务工单和不满意工单进行文本特征分词过程中，基于百度词库与电力专有词库，采用逆向最大匹配算法，形成初步多元情感语料库梳理，涉及积极词、消极词、中性词、否定词、程度副词五类词性分类；通过Word2Vec构建词向量，经过机器学习训练形成以初步情感语料库为中心的倾向性词空间距离关系，从而进一步提炼拓展多元情感语料库；

相似度词序矩阵情感量化算法步骤：用于根据情感语料库提炼成果，基于Word2Vec神经网络的构建词向量极性空间关系，计算单一工单诉求相似度情感量化得分；完成客服工单情感量化分析，确定紧急程度；