深度学习在电力潜在投诉识别分类中的应用

《深度学习在电力潜在投诉识别分类中的应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、深度学习在电力潜在投诉识别分类中的应用罗欣张爽国网浙江省电力公司电力科学研究院摘要：随着用户对用电服务的要求及维权意识的不断提高，供电企业需开展海量客户诉求分析，从而实现供电业务薄弱点的发现和改进。因此，提出基于深度学习的电力疑似投诉工单识别分类技术应用，通过深度学习建模、投诉特征标签提炼、模型学习训练、疑似投诉识别，优化投诉风险预警与管理工作，缓解一线工作人员服务压力。关键词：95598;投诉;文本分类;深度学习;作者简介：罗欣(1980),女，技师，主要从事95598客户诉求分析工作。收稿日期:2017-08-24ApplicationofDeepLearning

2、inIdentificationandClassificationofPotentialComplaintsofElectriePowerLUOXinZHANGShuaniStateGridZhejiangElectriePowerResearchInstitute;Abstract：Withtheuses'increasedrequirementsonpowerconsumptionandimprovedawarenessofright,powersupplyenterprisesneedtocarryoutmassivecustomerdemandsanalysi

3、stodiscoverandimproveweakpointsinpowersupplyservices.Therefore,thepaperputsforwardapplicationofpotentialcomplaintsworkshoetidentificationandclassificationbasedondeeplearning,deeplearningmodeling,complaintcharactertagabstracting,modellearningandtraining,potentialcomplaintsidentificationa

4、ndcomplaintriskwarningandmanagementoptimization,serviceloadsoffrontlineworkersaregreatlyreduced.Keyword：95598;complaints;textclassification;deeplearning;Received：2017-08-240引言如何减少用户的投诉量，提高用户的满意度成为R前供电企业关注的焦点。对投诉的有效分析管理，可以提高客户的满意度和忠诚度，实现对供电业务薄弱点的发现与改进，对提升供电企业的服务品质，提升企业形象具有重要的意义。从95598来电分

5、析，大量客户虽未直接投诉，或者客服专席误判非投诉，但是通过咨询、意见和建议等表达对供电服务的不满，若处理不当或不及时，可能升级为客户投诉。全省年话务量高达八百万通，采用传统抽样录音质检模式，由人工进行逐一反复听取录音，工作效率低，无法准确、高效地提取客户的投诉点、不满意点。据不完全统计仅疑似投诉质检常态任务年投入工时为3456人，而这在未来全面客户诉求挖掘工作中占比不足1%。通过基于深度学习的电力疑似投诉工单识别技术，可有效优化质量监督管理工作，强化服务问题防控，减轻基层投诉压力。1深度学习概述如图1所示，1956年达特茅斯会议上提出了AI（人工智能）的概念，人工智能

6、的目的是让计算机能够像人一样思考。深度学习是机器学习研究中的一个新领域,推动了机器学习的发展，拓展了人工智能的领域范围。近两年开源深度学习技术FI趋成熟，具有代表深度学习框架有TensorFlow,DL4J等。深度学习使用包含复杂结构或由多重非线性变换构成的多个处理层（神经网络）对数据进行高层抽象的算法，其动机在于建立模拟人脑分析学习的神经网络，模仿人脑来解释数据（例如图像，声音和文本）。深度学习过程分为训练和推理,通过训练获得数据模型，然后用于推理新的数据。2深度学习的应用思路2.1贪婪无监督特征学习算法图1人工智能发展历程下载原图以下选用DL4J深度学习技术进行投

7、诉的识别和分类，DL4J是基于Java开源的分布式深度学习框架。如图2所示，深度学习技术应用主要分为模型选型定义、机器学习训练、模型优化提升3部分内容。深度学习神经网络主要包含输入层、隐藏层和输出层，图2右边是对应的分层的实现代码。模型学习和训练的算法选择决定最终的结果，结合投诉文本特征处理与识别分类，选择采用贪婪无监督的逐层训练方法。图2深度学习应用示意下载原图贪婪无监督特征学习算法（L）使用训练集样本并返回编码器或特征函数f。原始输入数据是X,每行1个样本，并且f（X）是第一阶段编码器关于X的输出。在执行精调的情况下，使用学习者T、初始函数f、输