[发明专利]基于机器学习算法的工单质检方法和装置

权利要求书

1.一种基于机器学习算法的工单质检方法，包括：

从待质检工单中抽取出投诉内容、附加报结信息、业务类别三个信息；

利用分词词典、停用词词典对投诉内容、附加报结信息进行分词，去除停用词操作；

分别对分词后的投诉内容、附加报结信息进行向量化并将其合并为一个向量；

基于向量，利用训练后的SVM模型进行预测，获取预测的业务类别；其中，训练后的SVM模型是利用业务类别正确的历史工单训练得到；

将预测的业务类别与从工单抽取的业务类别进行对比，如果一致则认定该工单的投诉内容、附加报结信息与业务类别一致；

从待质检工单中抽取出附加报结信息、解决情况这两个信息；

利用分词词典、停用词词典对附加报结信息进行分词，去除停用词操作；

分别对分词后的附加报结信息进行向量化；

基于向量，利用训练后的SVM模型进行预测，获取预测的解决情况；其中，训练后的SVM模型是利用解决情况正确的历史工单训练得到；

将预测的解决情况与从工单抽取的解决情况进行对比，如果一致则认定附加报结信息和解决情况一致；

从待质检工单中抽取出投诉内容、附加报结信息、报结意见三个信息，以及基站小区状态表的数据；

利用分词词典、停用词词典对投诉内容、附加报结信息进行分词，去除停用词操作；

分别对分词后的投诉内容、附加报结信息进行向量化并将其合并为第一向量；

对工单中的故障地址与基站小区状态表中的地址做模糊匹配，获取故障地址是否已知弱覆盖信息以及场景信息，将弱覆盖信息与场景信息转化为第二向量并与第一向量结果合并为第三向量；

基于上述合并后的向量，利用训练后的SVM模型进行预测，获取预测的报结意见；其中，训练后的SVM模型是利用报结意见正确的历史工单训练得到；

将预测的报结意见与从工单抽取的报结意见进行对比，如果一致则返回投诉内容、附加报结信息和报结意见一致；

所述工单的投诉内容、附加报结信息与业务类别一致，附加报结信息和解决情况一致，且投诉内容、附加报结信息和报结意见一致，认定质检通过。

2.一种工单质检装置，包括：

第一抽取单元，从待质检工单中抽取出投诉内容、附加报结信息、业务类别三个信息；

第一分词单元，利用分词词典、停用词词典对投诉内容、附加报结信息进行分词，去除停用词操作；

第一向量化单元，分别对分词后的投诉内容、附加报结信息进行向量化并将其合并为一个向量；

第一预测单元，基于向量，利用训练后的SVM模型进行预测，获取预测的业务类别；其中，训练后的SVM模型是利用业务类别正确的历史工单训练得到；

第一对比单元，将预测的业务类别与从工单抽取的业务类别进行对比，如果一致则认定该工单的投诉内容、附加报结信息与业务类别一致；

第二抽取单元，从待质检工单中抽取出附加报结信息、解决情况这两个信息；

第二分词单元，利用分词词典、停用词词典对附加报结信息进行分词，去除停用词操作；

第二向量化单元，分别对分词后的附加报结信息进行向量化；

第二预测单元，基于向量，利用训练后的SVM模型进行预测，获取预测的解决情况；其中，训练后的SVM模型是利用解决情况正确的历史工单训练得到；

第二对比单元，将预测的解决情况与从工单抽取的解决情况进行对比，如果一致则认定附加报结信息和解决情况一致；

第三抽取单元，从待质检工单中抽取出投诉内容、附加报结信息、报结意见三个信息，以及基站小区状态表的数据；

第三分词单元，利用分词词典、停用词词典对投诉内容、附加报结信息进行分词，去除停用词操作；

第三向量化单元，分别对分词后的投诉内容、附加报结信息进行向量化并将其合并为第一向量；

弱覆盖信息与场景信息向量化单元和合并单元，对投诉工单中的故障地址与基站小区状态表中的地址做模糊匹配，获取故障地址是否已知弱覆盖信息以及场景信息，将弱覆盖信息与场景信息转化为第二向量并与第一向量合并成为第三向量；

第三预测单元，基于上述第三向量，利用训练后的SVM模型进行预测，获取预测的报结意见；其中，训练后的SVM模型是利用报结意见正确的历史工单训练得到；

第三对比单元，将预测的报结意见与从工单抽取的报结意见进行对比，如果一致则返回投诉内容、附加报结信息和报结意见一致；

判定模块，工单的投诉内容、附加报结信息与业务类别一致，附加报结信息和解决情况一致，且投诉内容、附加报结信息和报结意见一致，认定质检通过。