[发明专利]一种基于互联网智能推送技术的工单推送方法

权利要求书

1.一种基于互联网智能推送技术的工单推送方法，其特征在于，包括以下步骤：

S1、首先数据预处理模块将工单管理系统中的数据进行抽取及清洗；

S2、分词模块将工单中的描述文本进行向量化处理；

S3、模型训练模块利用人工智能技术对历史工单进行训练，将获得的规律作为模型进行保存；

S4、联机服务模块将训练获得的模型以文件形式保存在服务器上，根据工单类型对工单进行及时分派处理；

S5、批量同步模块每日从工单处理系统增量同步办结的工单数据，并结合先前智能推荐的结果统计出当前模型的实际准确率并分析工单推送错误可能的原因。

2.根据权利要求1所述的一种基于互联网智能推送技术的工单推送方法，其特征在于，所述数据预处理模块包括数据抽取及数据清洗，工单管理系统中的原始工单数据无法直接用来训练，数据预处理模块会将工单的描述文本以及该笔工单的正确归属系统抽取出来存入数据库，由于工单描述中并不是所有文本内容和该工单的归属系统存在联系，所以对入库的数据还需要做一次数据清洗来减少无关信息对训练结果的影响。

3.根据权利要求1所述的一种基于互联网智能推送技术的工单推送方法，其特征在于，所述分词模块将工单描述文本分解为词，选用了jieba分词库来进行文本分词，该分词库采用正向最大匹配原则，通过内置词典及可扩展的外部自定义词典实现分词。

4.根据权利要求1所述的一种基于互联网智能推送技术的工单推送方法，其特征在于，所述模型训练模块工作流程为数据的向量化表示、数据的特征提取和数据的分类判定。

5.根据权利要求4所述的一种基于互联网智能推送技术的工单推送方法，其特征在于，所述模型训练模块的数据的向量化表示是通过word2vec模型将数据表示为一个固定维度的稠密向量，该向量的每一维都包含了词语特征，与传统离散型的one-hot编码方式相比，使用word2vec模型进行词向量化在训练速度上更有优势。

6.根据权利要求4所述的一种基于互联网智能推送技术的工单推送方法，其特征在于，所述模型训练模块对数据的特征提取选用TextCNN来对词向量进行特征提取，该算法是利用卷积神经网络对文本的词向量进行特征抽取的算法，如果分解后的词向量表示为一个D维向量，则一句长度为L的文本可以表示为一个LxD的矩阵，为了从一维卷积中获取不同的特征向量，使用可变宽度且大小为NXD的卷积核对该文本进行特征提取，这样每一个卷积核都会输出L-N+1个特征向址，将每一组卷积核提取到的特征向量的最大值级联可以得到该组卷积核的最终特征向量，再将每一组卷积核最终特征向量的最大值级联可以得到该文本的最终特征向量。

7.根据权利要求1所述的一种基于互联网智能推送技术的工单推送方法，其特征在于，所述模型训练模块中数据的分类判定是将所有文本的特征向量输入基于多项式分布建模的softmax分类器进行分类判定，输出每一个文本对应的类别并与已有的标签进行对比，通过验证分类结果和标注结果，进而不断反馈调整模型的参数，经过大量迭代的训练后保存分类准确率最高的模型及其权重参数。

8.根据权利要求1所述的一种基于互联网智能推送技术的工单推送方法，其特征在于，所述联机服务模块启动时会预加载模型并为工单处理系统提供一个基于REST API规范的联机接口，此联机接口的输入为待分派工单的描述文本，输出为智能推送系统所推荐的系统，运维人员在工单处理系统上可根据智能推送系统返回的结果对工单进行及时分派处理。

9.根据权利要求1所述的一种基于互联网智能推送技术的工单推送方法，其特征在于，所述批量同步模块智能推送系统每日从工单处理系统增量同步办结的工单数据，内容包括工单描述及解决系统利用最新的工单数据，智能推送系统可以定期重新训练并更新现有模型，同时已办结工单的最终处理结果可以反馈给智能推送系统，结合先前智能推荐的结果统计出当前模型的实际准确率并分析推送错误可能的原因。