[go: up one dir, main page]

CN113743746B - 模型训练方法、事件分派处理方法、设备及介质 - Google Patents

模型训练方法、事件分派处理方法、设备及介质 Download PDF

Info

Publication number
CN113743746B
CN113743746B CN202110940636.4A CN202110940636A CN113743746B CN 113743746 B CN113743746 B CN 113743746B CN 202110940636 A CN202110940636 A CN 202110940636A CN 113743746 B CN113743746 B CN 113743746B
Authority
CN
China
Prior art keywords
group
event
text
word
engineer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110940636.4A
Other languages
English (en)
Other versions
CN113743746A (zh
Inventor
顾春峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ctrip Travel Network Technology Shanghai Co Ltd
Original Assignee
Ctrip Travel Network Technology Shanghai Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ctrip Travel Network Technology Shanghai Co Ltd filed Critical Ctrip Travel Network Technology Shanghai Co Ltd
Priority to CN202110940636.4A priority Critical patent/CN113743746B/zh
Publication of CN113743746A publication Critical patent/CN113743746A/zh
Application granted granted Critical
Publication of CN113743746B publication Critical patent/CN113743746B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063112—Skill-based matching of a person or a group to a task
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种模型训练方法、事件分派处理方法、设备及介质，该训练方法包括：对待切分文本进行全分词处理，生成标题文本对应的第一分词、症状文本对应的第二分词以及解决途径文本对应的第三分词；获取第一分词对应的第一编码向量以及第二分词对应的第二编码向量；获取第三分词对应的第四编码向量；基于第三编码向量以第四编码向量进行训练，生成模型。本发明基于历史事件的标题文本对应的向量、症状文本对应的向量以及解决途径文本对应的向量对模型进行训练，提高了模型预测的准确性；利用训练完成的模型对待分配事件预判进行远程解决或者现场解决，实时跟踪远程组以及现场组的组工作饱和度，动态调配组内工程师数量，从而提高服务效率。

Description

模型训练方法、事件分派处理方法、设备及介质
技术领域
本发明涉及互联网技术领域，尤其涉及一种模型训练方法、事件分派处理方法、设备及介质。
背景技术
现今大型企业中，IT(互联网技术)部门均设有专门的服务团队，用于支撑企业内部员工中存在的各种类型的IT相关问题的服务请求。该场景下工程师帮助用户解决问题时，可以分为“远程解决”、“现场解决”两大形式。例如，软件安装以及权限设置等问题可以直接通过远程桌面、电话、邮件等方式进行支持。而对于硬件、操作系统等相关的故障则需要工程师从自己的工位走到用户的工位，进行一对一的现场支持。
因此，现有技术对所有事件的解决方式不进行预判，并且对工程师不进行分组直接分派，必然导致工程师需要同时处理远程以及现场事件，服务效率低。
发明内容
本发明要解决的技术问题是为了克服现有技术中直接分配事件给工程师，造成事件处理效率低的缺陷，提供一种模型训练方法、事件分派处理方法、设备及介质。
本发明是通过下述技术方案来解决上述技术问题：
根据本发明的第一方面，提供一种事件分配预测模型的训练方法，所述训练方法包括：
获取多个待训练的历史事件对应的待切分文本；所述待切分文本包括标题文本、症状文本以及解决途径文本；
对所述待切分文本进行全分词处理，生成所述标题文本对应的第一分词、所述症状文本对应的第二分词以及所述解决途径文本对应的第三分词；
基于预先构建的目标词典获取所述第一分词对应的第一编码向量以及所述第二分词对应的第二编码向量；
将所述第一编码向量以及所述第二编码向量进行关联，生成第三编码向量；
获取所述第三分词对应的第四编码向量；
将每个所述历史事件对应的所述第三编码向量以及所述第四编码向量输入卷积神经网络模型中进行训练，生成事件分配预测模型。
较佳地，所述基于预先构建的目标词典获取所述第一分词对应的第一编码向量以及所述第二分词对应的第二编码向量的步骤之前，包括：
将所述第一分词在预设时段内出现次数大于第一设定数量的分词作为第一特征词，并按照第一预设算法对所述第一特征词进行编码生成对应的第一词典标签向量；
将所述第二分词在预设时段内出现次数大于第二设定数量的分词作为第二特征词，并按照第二预设算法对所述第二特征词进行编码生成对应的第二词典标签向量；
根据所述第一词典标签向量以及所述第二词典标签向量生成目标词典。
较佳地，所述第一预设算法包括TF-IDF(Term Frequency–Inverse DocumentFrequency，词频-逆文本频率指数)算法，和/或，所述第二预设算法包括TF-IDF算法。
较佳地，所述对所述待切分文本进行全分词处理的步骤，包括：
将所述待切分文本中的预设长度的助词、量词以及换行符中的至少一种进行删除。
根据本发明的第二方面，本发明提供一种事件分派的处理方法，所述处理方法包括：
获取待分配事件对应的基础数据；
将所述基础数据输入利用第一方面中任一项所述的方法训练出的事件分配预测模型中得到相应的预测结果；
获取工程师信息对应的状态数据；
根据所述状态数据以及所述预测结果确定所述待分配事件的处理方案。
较佳地，所述状态数据包括组别名称以及状态信息，所述组别名称包括现场组以及远程组；
所述获取工程师信息对应的状态数据的步骤包括：
获取所述远程组或所述现场组对应的工程师的所述状态信息；所述状态信息包括离线工作以及在线等候；
所述根据所述状态数据以及所述预测结果确定所述待分配事件的处理方案的步骤包括：
将所述远程组或所述现场组对应的在线等候的工程师作为待分配工程师；
筛选出一个所述待分配工程师作为目标工程师，并对所述待分配事件进行处理。
较佳地，所述筛选出一个所述待分配工程师作为目标工程师的步骤包括：
计算每个所述待分配工程师的工作饱和度值；所述工作饱和度值表征所述待分配工程师当前处理事件数与处理容量值的比值；
将最小的所述工作饱和度值对应的所述待分配工程师作为目标工程师。
较佳地，所述获取工程师信息对应的状态数据的步骤之后，包括：
计算所述远程组以及所述现场组对应的组工作饱和度值；所述组工作饱和度值表征组内所有当前处理事件数与组内待处理事件数之和与组内所有工程师的处理容量值得比值；
根据所述组工作饱和度值在所述远程组与所述现场组之间进行人员调配。
较佳地，所述根据所述组工作饱和度值在所述远程组与所述现场组之间进行人员调配的步骤包括：
将所述远程组对应的第一组工作饱和度值与所述现场组对应的第二组工作饱和度值进行比较；
若所述第一组工作饱和度值大于所述第二组工作饱和度值，则调动所述现场组的工程师至所述远程组，直至所述第一组工作饱和度值与所述第二组工作饱和度值相近为止；
若所述第一组工作饱和度值小于所述第二组工作饱和度值，则调动所述远程组的工程师至所述现场组，直至所述第一组工作饱和度值与所述第二组工作饱和度值相近为止。
根据本发明的第三方面，本发明还提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述的事件分配预测模型的训练方法，或者，第二方面所述的事件分派的处理方法。
根据本发明的第四方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的事件分配预测模型的训练方法，或者，第二方面所述的事件分派的处理方法。
本发明的积极进步效果在于：提供一种模型训练方法、事件分派处理方法、设备及介质，模型训练方法中通过获取待训练的历史事件的标题文本对应的第一编码向量、症状文本对应的第二编码向量以及解决途径文本对应的第三编码向量，根据第一编码向量、第二编码向量以及第三编码向量输入卷积神经网络进行训练的方式，提高了对事件的解决方式进行预测的准确性。利用训练完成的事件分配预测模型对待分配事件进行预测，根据预测结果确定远程解决或者现场解决，实时跟踪远程组以及现场组组工作饱和度，动态的调配各组内工程师的数量，以匹配各类事件所需解决方式对应的工程师的数量。实时跟踪各组工程师的工作饱和度，以确定各事件对应的目标工程师，从而提高团队的整体服务效率。
附图说明
图1为本发明实施例1的事件分配预测模型的训练方法的第一流程图。
图2为本发明实施例1的事件分配预测模型的训练方法的第二流程图。
图3为本发明实施例2的事件分派的处理方法的第一流程图。
图4为本发明实施例3的事件分派的处理方法的第一流程图。
图5为本发明实施例3的事件分派的处理方法的步骤S42的流程图。
图6为本发明实施例3的事件分派的处理方法的第二流程图。
图7为本发明实施例4的电子设备的硬件结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示，本实施例提供一种事件分配预测模型的训练方法，该训练方法包括如下步骤：
S110、获取多个待训练的历史事件对应的待切分文本；该待切分文本包括标题文本、症状文本以及解决途径文本。
在本实施例中，待切分文本可以包括但不限于各种类型的IT相关问题的请求服务信息中的文本。例如，待切分文本1可以为“软件故障”的标题文本、“邮箱无法打开”的症状文本、“远程解决”的解决途径文本；待切分文本2可以为“硬件故障”的标题文本、“电脑无法开机”的症状文本、“现场解决”的解决途径文本；待切分文本3可以为“权限申请”的标题文本、“申请开通远程桌面权限”的症状文本、“远程解决”的解决途径文本。
S120、对待切分文本进行全分词处理，生成标题文本对应的第一分词、症状文本对应的第二分词以及解决途径文本对应的第三分词。
示例性的，对待切分文本1进行全分词处理，生成“软件”、“故障”两个第一分词，“邮箱”、“无法打开”两个第二分词，“远程解决”的第三分词。对待切分文本2进行全分词处理，生成“硬件”、“故障”两个第一分词，“电脑”、“无法开机”两个第二分词，“现场解决”的第三分词。对待切分文本3进行全分词处理，生成“权限”、“申请”两个第一分词，“申请”、“开通”、“远程”、“桌面权限”四个第二分词，“远程解决”的第三分词。
S130、基于预先构建的目标词典获取第一分词对应的第一编码向量以及第二分词对应的第二编码向量。
例如，从目标词典中获取“软件”、“故障”对应的两个第一编码向量，“邮箱”、“无法打开”对应的两个第二编码向量，“远程解决”对应的第三编码向量。
S140、将第一编码向量以及第二编码向量进行关联，生成第三编码向量。
对待切分文本1中的两个第一编码向量与两个第二编码向量进行关联，例如，该关联的方式包括但不限于向量首尾相连的方式生成第三编码向量。
S150、获取第三分词对应的第四编码向量。
本实施例中，第三分词为“现场解决”或者“远程解决”，则获取“现场解决”对应的第四编码向量，以及“远程解决”对应的第四编码向量。需要说明的是，第四编码向量的设置可以根据情况限定，例如，“现场解决”对应的编码向量为[0.1]，“远程解决”对应的编码向量为[1,0]。
S160、将每个历史事件对应的第三编码向量以及第四编码向量输入卷积神经网络模型中进行训练，生成事件分配预测模型。
将待切分文本1中的第三编码向量以及第四编码向量输入DNN(Deep NeuralNetworks，深度神经网络模型)中进行训练时，输出状态为M个状态(M＝2)，网络模型的隐藏层H维度无需太大。例如，H＝2M即可，模型的学习速度，迭代次数可以根据实际的样本数据具体调试，在此不做具体限制。
模型训练完成后，后续有W个待处理事件需预测时，获取每个待处理事件的分词列表，代入DNN网络模型计算，得到一个W*M的预测结果矩阵。计算W个1*m的矩阵和各个输出结果(1*M)向量差的平方和，得到W个预测结果，例如，某一个事件经模型后得的到输出向量为(a,b)：P远程＝(a-1)^2+b^2；P现场＝(a^2+(b-1)^2)，若P远程<P现场，则该事件为远程解决，否则为现场解决。
需要说明的是，该DNN模型可以全连接层、激活层以及全连接输出层构成，也可以根据实际情况设置，在此不作限制。
其中，本实施例中，步骤S120中具体包括：
将待切分文本中的预设长度的助词、量词以及换行符中的至少一种进行删除。
具体的，将待切分文本中“的”、“个”、“台”、“\r\n”等助词、量词、换行符等进行过滤，再对过滤后的文本进行全分词处理。
在一可实施的方案中，如图2所示，步骤120之后还包括：
S121、将第一分词在预设时段内出现次数大于第一设定数量的分词作为第一特征词，并按照第一预设算法对第一特征词进行编码生成对应的第一词典标签向量。
S122、将第二分词在预设时段内出现次数大于第二设定数量的分词作为第二特征词，并按照第二预设算法对第二特征词进行编码生成对应的第二词典标签向量；
S123、根据第一词典标签向量以及第二词典标签向量生成目标词典。
其中，第一预设算法包括TF-IDF算法，和/或，第二预设算法包括TF-IDF算法。
具体的，第一设定数量可以为3、4以及5等，第二设定数量可以为3、4以及5等。将所有待切分文本中每个第一分词出现次数大于3次的筛查出来，并按照出现次数由高至低的顺序进行排名，将排名靠前200的分词作为第一特征词；所有待切分文本中每个第二分词出现次数大于3次的筛查出来，并按照出现次数由高至低的顺序进行排名，将排名靠前200的分词作为第二特征词；可以按照相同的预设算法或者不同的预设算法，对第一特征词和第二特征词进行编码，生成词典标签向量，进一步生成目标词典。
本实施例中提供一种事件分配预测模型的训练方法，本发明基于历史事件的标题文本对应的向量、症状文本对应的向量以及解决途径文本对应的向量对模型进行训练，提高了模型预测的准确性。
实施例2
如图3所示，本实施例提供一种事件分派的处理方法，该处理方法包括以下步骤：
S1、获取待分配事件对应的基础数据。
S2、将基础数据输入利用如实施例1的方法训练出的事件分配预测模型中得到相应的预测结果。
S3、获取工程师信息对应的状态数据。
S4、根据状态数据以及预测结果确定待分配事件的处理方案。
在本实施例中，可以实时从企业的提交事件系统中获取待分配的事件列表，实时从企业的工程师签出入系统中获取工程师信息，根据该工程师信息获取各个组内工程师的状态数据。将事件列表中的每个事件的标题文本、症状文本以及解决途径文本输入至实施例1的方法训练出的事件分配预测模型中获取每个待分配事件的预测结果，根据状态数据以及预测结果确定每个待分配事件的处理方案。
本实施例提供一种事件分派的处理方法，利用训练完成的模型对待分配事件预判进行远程解决或者现场解决，实时跟踪远程组以及现场组的组工作饱和度，动态调配组内工程师数量，从而提高服务效率。实现了企业内部各部门的工程师专人专事，不同事件按组处理，保证了每位工程师在预设时间段内可以专注的处理远程事件或者现场事件，避免了在工位与用户之间频繁走动，提高了工作效率。
实施例3
在实施例2的基础上，本实施例提供了一种事件分派的处理方法，如图4所示，较之于实施例2进行了改进，具体地：
在一可实施的方案中，该方法还包括如下步骤：
S1、获取待分配事件对应的基础数据。
S2、将基础数据输入利用如实施例1的方法训练出的事件分配预测模型中得到相应的预测结果。
S31、获取远程组或现场组对应的工程师的状态信息；状态信息包括离线工作以及在线等候。
S41、将远程组或现场组对应的在线等候的工程师作为待分配工程师。
S42、筛选出一个待分配工程师作为目标工程师，并对待分配事件进行处理。
例如，获取待分配事件1对应的基础数据1以及待分配事件2对应的基础数据2，将基础数据1以及基础数据2输入模型中进行预测，预判结果为待分配事件1为远程解决，待分配事件2为现场解决。获取远程组或者现场组中每位工程师的状态信息，例如，状态信息可以表示为(远程组、王工、离线工作)，(远程组、张工、在线等候)，(现场组、李工、在线等候)，(现场组、林工、离线工作)。选择远程组中的张工作为待分配工程师处理待分配事件1，或者，选择现场组中的李工作为待分配工程师处理待分配事件2。
在一可实施的方案中，如图5所示，步骤S42具体包括：
步骤S421、计算每个待分配工程师的工作饱和度值；工作饱和度值表征待分配工程师当前处理事件数与处理容量值的比值。
步骤S422、将最小的工作饱和度值对应的待分配工程师作为目标工程师。
具体的，各组工程师处理容量可以根据情况自行设置，例如，远程组中2位工程师，每位工程师的处理容量值为4，工程师A当前处理事件数为2，工程师B当前处理事件数为1，工程师C、工程师D以及工程师E当前处理事件数为4。由于工程师A的工作饱和度值为0.5,工程师B的工作饱和度值为0.25。则将工程师B作为远程组的目标工程师。
在一种可实施的方案中，如图6所示，步骤S3之后还包括：
步骤S32、计算远程组以及现场组对应的组工作饱和度值；组工作饱和度值表征组内所有当前处理事件数与组内待处理事件数之和与组内所有工程师的处理容量值得比值。
步骤S33、根据组工作饱和度值在远程组与现场组之间进行人员调配。
示例性的，远程组工程师的处理容量值为5，现场组工程师的处理容量值为5。远程组目前已经分配12个事件，该事件包括处理中的事件，以及已经分配的待处理事件，现场组目前已经分配8个事件，则远程组对应的组工作饱和度值为12/(5*4)＝0.6，现场组对应的组工作饱和度值为8/(5*4)＝0.4，可见现场组与远程组的组工作饱和度不相同，则对现场组以及远程组的人员进行调配，从而使得两者工作饱和度值近似相同。
其中，在上述可实施方案中，步骤S33具体包括：
步骤S331、将远程组对应的第一组工作饱和度值与现场组对应的第二组工作饱和度值进行比较。
步骤S332、若第一组工作饱和度值大于第二组工作饱和度值，则调动现场组的工程师至远程组，直至第一组工作饱和度值与第二组工作饱和度值相近为止。
步骤S333、若第一组工作饱和度值小于第二组工作饱和度值，则调动远程组的工程师至现场组，直至第一组工作饱和度值与第二组工作饱和度值相近为止。
具体的，远程组对应的第一组工作饱和度值为0.6，现场组对应的第二组工作饱和度值为0.4，则将现场组的工程师调动一位至远程组之后，远程组对应的第一组工作饱和度值为12/(6*4)＝0.5，现场组对应的第二组工作饱和度值为8/(4*4)＝0.5，此时远程组与现场组对应的工作饱和度值相同，人员调动结束。
本实施例提供一种事件分派的处理方法，利用训练完成的模型对待分配事件预判进行远程解决或者现场解决，实时跟踪远程组以及现场组的组工作饱和度，动态调配组内工程师数量，从而提高服务效率。实现了企业内部各部门的工程师专人专事，不同事件按组处理，保证了每位工程师在预设时间段内可以专注的处理远程事件或者现场事件，避免了在工位与用户之间频繁走动，提高了工作效率。
实施例4
图7为本发明实施例4提供的一种电子设备的结构示意图。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现实施例1中的事件分配预测模型的训练方法或者实施例2或实施例3中事件分派的处理方法。
图7显示的电子设备60仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备60可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备60的组件可以包括但不限于：上述至少一个处理器61、上述至少一个存储器62、连接不同系统组件(包括存储器62和处理器61)的总线63。
总线63包括数据总线、地址总线和控制总线。
存储器62可以包括易失性存储器，例如随机存取存储器(RAM)621和/或高速缓存存储器622，还可以进一步包括只读存储器(ROM)623。
存储器62还可以包括具有一组(至少一个)程序模块624的程序/实用工具625，这样的程序模块624包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器61通过运行存储在存储器62中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1中的事件分配预测模型的训练方法或者实施例2或实施例3中事件分派的处理方法。
电子设备60也可以与一个或多个外部设备64(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口65进行。并且，电子设备60还可以通过网络适配器66与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图7所示，网络适配器66通过总线63与电子设备60的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备60使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例5
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现实施例1中的事件分配预测模型的训练方法的步骤或者实施例2或实施例3中事件分派的处理方法的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现实施例1中的事件分配预测模型的训练方法的步骤或者实施例2或实施例3中事件分派的处理方法的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种事件分配预测模型的训练方法，其特征在于，所述训练方法包括：
获取多个待训练的历史事件对应的待切分文本；所述待切分文本包括标题文本、症状文本以及解决途径文本；
对所述待切分文本进行全分词处理，生成所述标题文本对应的第一分词、所述症状文本对应的第二分词以及所述解决途径文本对应的第三分词；
基于预先构建的目标词典获取所述第一分词对应的第一编码向量以及所述第二分词对应的第二编码向量；
将所述第一编码向量以及所述第二编码向量进行关联，生成第三编码向量；
获取所述第三分词对应的第四编码向量；
将每个所述历史事件对应的所述第三编码向量以及所述第四编码向量输入卷积神经网络模型中进行训练，生成事件分配预测模型。
2.如权利要求1所述的事件分配预测模型的训练方法，其特征在于，所述基于预先构建的目标词典获取所述第一分词对应的第一编码向量以及所述第二分词对应的第二编码向量的步骤之前，包括：
将所述第一分词在预设时段内出现次数大于第一设定数量的分词作为第一特征词，并按照第一预设算法对所述第一特征词进行编码生成对应的第一词典标签向量；
将所述第二分词在预设时段内出现次数大于第二设定数量的分词作为第二特征词，并按照第二预设算法对所述第二特征词进行编码生成对应的第二词典标签向量；
根据所述第一词典标签向量以及所述第二词典标签向量生成目标词典。
3.如权利要求2所述的事件分配预测模型的训练方法，其特征在于，所述第一预设算法包括TF-IDF算法，和/或，所述第二预设算法包括TF-IDF算法。
4.如权利要求1所述的事件分配预测模型的训练方法，其特征在于，所述对所述待切分文本进行全分词处理的步骤，包括：
将所述待切分文本中的预设长度的助词、量词以及换行符中的至少一种进行删除。
5.一种事件分派的处理方法，其特征在于，所述处理方法包括：
获取待分配事件对应的基础数据；所述基础数据包括待分配事件的标题文本和症状文本；
将所述基础数据输入利用如权利要求1-4中任一项所述的方法训练出的事件分配预测模型中得到相应的预测结果；
获取工程师信息对应的状态数据；
根据所述状态数据以及所述预测结果确定所述待分配事件的处理方案；
所述状态数据包括组别名称以及状态信息，所述组别名称包括现场组以及远程组；
所述获取工程师信息对应的状态数据的步骤包括：
获取所述远程组或所述现场组对应的工程师的所述状态信息；所述状态信息包括离线工作以及在线等候；
所述根据所述状态数据以及所述预测结果确定所述待分配事件的处理方案的步骤包括：
将所述远程组或所述现场组对应的在线等候的工程师作为待分配工程师；
筛选出一个所述待分配工程师作为目标工程师，并对所述待分配事件进行处理。
6.如权利要求5所述的事件分派的处理方法，其特征在于，所述筛选出一个所述待分配工程师作为目标工程师的步骤包括：
计算每个所述待分配工程师的工作饱和度值；所述工作饱和度值表征所述待分配工程师当前处理事件数与处理容量值的比值；
将最小的所述工作饱和度值对应的所述待分配工程师作为目标工程师。
7.如权利要求5所述的事件分派的处理方法，其特征在于，所述获取工程师信息对应的状态数据的步骤之后，包括：
计算所述远程组以及所述现场组对应的组工作饱和度值；所述组工作饱和度值表征组内所有当前处理事件数与组内待处理事件数之和与组内所有工程师的处理容量值得比值；
根据所述组工作饱和度值在所述远程组与所述现场组之间进行人员调配。
8.如权利要求7所述的事件分派的处理方法，其特征在于，所述根据所述组工作饱和度值在所述远程组与所述现场组之间进行人员调配的步骤包括：
将所述远程组对应的第一组工作饱和度值与所述现场组对应的第二组工作饱和度值进行比较；
若所述第一组工作饱和度值大于所述第二组工作饱和度值，则调动所述现场组的工程师至所述远程组，直至所述第一组工作饱和度值与所述第二组工作饱和度值相近为止；
若所述第一组工作饱和度值小于所述第二组工作饱和度值，则调动所述远程组的工程师至所述现场组，直至所述第一组工作饱和度值与所述第二组工作饱和度值相近为止。
9.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-4中的任一项所述的事件分配预测模型的训练方法，或者，权利要求5-8中的任一项所述的事件分派的处理方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4中的任一项所述的事件分配预测模型的训练方法，或者，权利要求5-8中的任一项所述的事件分派的处理方法。
CN202110940636.4A 2021-08-17 2021-08-17 模型训练方法、事件分派处理方法、设备及介质 Active CN113743746B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110940636.4A CN113743746B (zh) 2021-08-17 2021-08-17 模型训练方法、事件分派处理方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110940636.4A CN113743746B (zh) 2021-08-17 2021-08-17 模型训练方法、事件分派处理方法、设备及介质

Publications (2)

Publication Number Publication Date
CN113743746A CN113743746A (zh) 2021-12-03
CN113743746B true CN113743746B (zh) 2024-11-19

Family

ID=78731304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110940636.4A Active CN113743746B (zh) 2021-08-17 2021-08-17 模型训练方法、事件分派处理方法、设备及介质

Country Status (1)

Country Link
CN (1) CN113743746B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108595519A (zh) * 2018-03-26 2018-09-28 平安科技（深圳）有限公司 热点事件分类方法、装置及存储介质
CN111861215A (zh) * 2020-07-21 2020-10-30 重庆现代建筑产业发展研究院 基于物联网的小区智能设备自主维护派单系统及派单方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960629A (zh) * 2018-07-04 2018-12-07 万翼科技有限公司 维修任务的分配方法、装置及计算机可读存储介质
CN111090987B (zh) * 2019-12-27 2021-02-05 北京百度网讯科技有限公司 用于输出信息的方法和装置
CN112559747B (zh) * 2020-12-15 2024-05-28 北京百度网讯科技有限公司 事件分类处理方法、装置、电子设备和存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108595519A (zh) * 2018-03-26 2018-09-28 平安科技（深圳）有限公司 热点事件分类方法、装置及存储介质
CN111861215A (zh) * 2020-07-21 2020-10-30 重庆现代建筑产业发展研究院 基于物联网的小区智能设备自主维护派单系统及派单方法

Also Published As

Publication number Publication date
CN113743746A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
Zheng et al. Research on the design of analytical communication and information model for teaching resources with cloud‐sharing platform
US11080626B2 (en) Job assignment optimization
Gharbi et al. An algorithmic approach for analysis of finite-source retrial systems with unreliable servers
US10241782B2 (en) Patching of virtual machines within sequential time windows
JP4486657B2 (ja) 要員配置最適化プログラム、要員配置最適化方法および要員配置最適化装置
CN103744977A (zh) 一种云计算系统平台中的监控方法及系统
Vereskun et al. An approach to interactive information processing for situation awareness about incidents in railway infrastructure management system
US20250103470A1 (en) Machine-learning-based techniques for predictive monitoring of a software application framework
Nahas et al. Harmony search algorithm: application to the redundancy optimization problem
WO2021205542A1 (ja) 災害復旧計画生成装置、災害復旧計画生成方法、及びプログラム
CN113743746B (zh) 模型训练方法、事件分派处理方法、设备及介质
Jin et al. CE-CoLLM: Efficient and Adaptive Large Language Models Through Cloud-Edge Collaboration
US20230161633A1 (en) Avoidance of Workload Duplication Among Split-Clusters
CN113705964A (zh) 一种配电网韧性恢复灾前预案制定方法及装置
Yun et al. An optimal reliability and maintainability design of a searching system
EP4107685A1 (en) Methods and apparatus for asset management
CN108009799B (zh) 工作流程持久化的方法及装置、存储介质、电子设备
WO2022259294A1 (ja) 早期被害予測装置、早期被害予測方法、及び、早期被害予測プログラム
Wang et al. Processing time analysis of cloud services with retrying fault-tolerance technique
US20230004750A1 (en) Abnormal log event detection and prediction
US11150971B1 (en) Pattern recognition for proactive treatment of non-contiguous growing defects
Bogatyrev et al. Reliability of computer systems during physical and informational recovery of duplicated memory
An Mathematical Model and Genetic Algorithm in Computer Programming Optimization and Network Topology Structure
US20230342661A1 (en) Machine learning based monitoring focus engine
US11836534B2 (en) Prediction of proficient resources for performing unprecedented workloads using models

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant