[发明专利]基于自然语言的工单智能诊断方法、装置、设备及介质

权利要求书

1.基于自然语言的工单智能诊断方法，其特征在于，包括如下步骤：

步骤101，在时间跨度内，基于不同工区的用电量以及工单数量作为第一参考值，筛选第一工单数据；基于月份、时段和季节的用电量以及工单数量作为第二参考值，筛选第二工单数据，其中，所述时间跨度为N年，N≥3；

步骤102，将第一工单数据和第二工单数据打乱并合并，形成最终的工单样本数据；

步骤2，对工单样本数据进行预处理；

步骤3，构建工单多标签分类模型，利用工单多标签分类模型预测出输入的工单的工单类型和重要程度，所述工单类型为报修工单和非报修工单，所述重要程度为一般、重要、紧急三类；

步骤4，根据工单的工单类型和重要程度从历史工单库中筛选出与工单的关键信息的相似度最高的历史工单，并从历史工单获取对应的工单处理信息；所述工单的关键信息的获取方法，具体包括如下步骤：步骤411，利用TF-IDF算法提取工单的候选关键词；步骤412，根据影响因素对候选关键词的评分进行调整，排序后选取评分靠前的候选关键词为最终关键词，所述影响因素包括词性特征、词长度特征和主题词特征；步骤413，通过Word2Vec词向量获取最终关键词的近似词，依照近似词的近似度进行排序，选取Top-K个相近词作为文本的扩展关键词，将所述扩展关键词作为工单的关键信息；

步骤5，将所述工单处理信息反馈至相应工作人员。

2.根据权利要求1所述的基于自然语言的工单智能诊断方法，其特征在于，所述预处理包括剔除噪声信息、删除重复数据和敏感词过滤。

3.根据权利要求1所述的基于自然语言的工单智能诊断方法，其特征在于，所述步骤3，具体包括如下步骤：

步骤301，利用BERT预训练模型提取工单文本中动态词向量，生成词向量矩阵；

步骤302，通过工单多标签分类模型对词向量矩阵进行处理，提取工单的局部语义特征和全局语义特征；

步骤303，将局部语义特征和全局语义特征进行融合处理后预测出工单的工单类型和重要程度。

4.根据权利要求1或3所述的基于自然语言的工单智能诊断方法，其特征在于，所述工单多标签分类模型的分类性能通过精确率、召回率和F1值三个评价指标进行衡量。

5.根据权利要求1所述的基于自然语言的工单智能诊断方法，其特征在于，所述步骤4，具体包括如下步骤：

步骤401，利用BERT预训练模型对工单的关键信息进行特征提取生成词向量，再进行拼接生成工单的关键信息句向量；

步骤402，基于工单的工单类型和重要程度从历史工单库中筛选出与工单关键信息句向量的相似度最高的历史工单；

步骤403，获取历史工单中对应的工单处理信息。

6.基于自然语言的工单智能诊断装置，其特征在于，包括：获取模块、预处理模块、构建模块、智能匹配模块和反馈模块，其中，

所述获取模块，用于在时间跨度内，基于不同工区的用电量以及工单数量作为第一参考值，筛选第一工单数据；用于基于月份、时段和季节的用电量以及工单数量作为第二参考值，筛选第二工单数据，其中，所述时间跨度为N年，N≥3；用于将第一工单数据和第二工单数据打乱并合并，形成最终的工单样本数据；

所述预处理模块，用于对工单样本数据进行预处理；

所述构建模块，用于基于预处理后的样本构建工单多标签分类模型，通过工单多标签分类模型预测出待测工单的工单类型和重要程度，所述工单类型为报修工单和非报修工单，所述重要程度为一般、重要、紧急三类；还用于利用TF-IDF算法提取工单的候选关键词；根据影响因素对候选关键词的评分进行调整，排序后选取评分靠前的候选关键词为最终关键词，所述影响因素包括词性特征、词长度特征和主题词特征；通过Word2Vec词向量获取最终关键词的近似词，依照近似词的近似度进行排序，选取Top-K个相近词作为文本的扩展关键词，将所述扩展关键词作为工单的关键信息；

所述智能匹配模块，用于根据工单的工单类型和重要程度从历史工单库中筛选出与工单的关键信息的相似度最高的历史工单，并从历史工单获取对应的工单处理信息；

所述反馈模块，用于将所述工单处理信息反馈至相应工作人员。