(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111651644.3 (22)申请日 2021.12.3 0 (71)申请人 中国电信股份有限公司 地址 100033 北京市西城区金融大街31号 (72)发明人 谢志锋　杨又铭　蓝才运　张雷　 (74)专利代理 机构 北京柏杉松知识产权代理事 务所(普通 合伙) 11413 代理人 丁芸　马敬 (51)Int.Cl. G06Q 10/10(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 40/284(2020.01) (54)发明名称 一种工单 预警方法、 装置及电子设备 (57)摘要 本发明实施例提供了一种工单预警方法、 装 置及电子设备， 方法包括： 确定目标工单的工单 故障内容、 处理备注说明、 工单处理时限和处理 环节类型， 其中， 工单故障内容和所述处理备注 说明为文字型信息， 工单处理时限和处理环节类 型为数字型信息； 将工单故障内容、 处理备注说 明、 工单处理时限和处理环节类型输入至第一神 经网络模型， 得到第一神经网络模 型输出的第一 工单预警程度； 若第一工单预警程度大于预设阈 值， 进行预警， 从而 减少工单超时风险。 权利要求书3页 说明书14页 附图6页 CN 114386941 A 2022.04.22 CN 114386941 A 1.一种工单 预警方法， 其特 征在于， 所述方法包括： 确定目标工单的工单故障内容、 处理备注说明、 工单处理时限和处理环节类型， 其中， 所述工单故障内容和所述处理备注说明为文字型信息， 所述工单 处理时限和所述处理环节 类型为数字型信息； 将所述工单故障内容、 所述处理备注说明、 所述工单处理时限和所述处理环节类型输 入至第一神经网络模型， 得到所述第一神经网络模型输出的第一工单 预警程度； 若所述第一工单 预警程度大于预设阈值， 进行 预警； 其中， 所述第一神经网络模型 预先经过样本数据的训练， 所述样本数据包括： 样本工单的工单故障内容、 处理备注说明、 工单处理时限、 处理环节类型和工单预警信 息， 其中， 所述工单 预警信息用于表示所述样本 工单的超时状况。 2.根据权利要求1所述的方法， 其特征在于， 所述第一神经网络模型包括： 双 向循环神 经网络、 单向循环神经网络、 深度神经网络， 其中， 所述双向循环神经网络和所述单向循环 神经网络用于处理所述第一神经网络模型的输入中的文字型信息， 所述深度神经网络用于 处理所述第一神经网络模型的输入中的数字型信息 。 3.根据权利要求1所述的方法， 其特征在于， 所述将所述工单故障内容、 所述处理备注 说明、 所述工单处理时限和所述处理环节类型输入至第一神经网络模型， 得到所述第一神 经网络模型输出的第一工单 预警程度， 包括： 将所述工单故障内容和所述处理备注说明进行分词， 得到工单故障内容分词和处理备 注说明分词； 将所述工单故障内容分词和所述处理备注说明分词输入预训练词库， 得到工单故障内 容索引和所述处 理备注说明索引； 将所述工单故障内容索引和所述处理备注说明索引转化为工单故障内容词向量和处 理备注说明词向量； 将所述工单故障内容词向量、 处理备注说明词向量、 工单处理时限和环节状态类型输 入至第一神经网络模型， 得到所述第一神经网络模型输出的第一工单 预警程度。 4.根据权利要求1所述的方法， 其特征在于， 将所述工单故障内容、 所述处理备注说明、 所述工单 处理时限和所述处理环节类型输入至第一神经网络模型， 得到所述第一神经网络 模型输出的第一工单 预警程度， 包括： 将所述工单故障内容、 所述处理备注说明、 所述工单处理时限和所述处理环节类型输 入至第一神经网络模型， 以使得所述第一神经网络模型将所述工单处理 时限与所述环节状 态类型和第一可学习权重与第二可学习权重加权堆叠， 得到第三可学习权重， 得到所述第 一神经网络模型输出 的第一工单预警程度， 其中， 所述第一可学习权重为所述工单处理时 限对应的权重， 所述第二可学习权重为所述环节状态类型对应的权重， 所述第四可学习权 重为所述工单故障内容对应的权重， 所述第五可学习权重为所述处理备注说明所对应的权 重， 所述第一可学习权重与所述第二可学习权重负相关， 所述第三可学习权重、 第四可学习 权重与第五可 学习权重负相关。 5.根据权利要求4所述的方法， 其特征在于， 所述第 一神经网络模型是通过以下方式预 先训练得到的： 为所述样本工单的所述工单处理时限设置第 一可学习权重， 并根据所述第 一可学习权权　利　要　求　书 1/3 页 2 CN 114386941 A 2重获得第二可 学习权重； 将所述样本工单的工单故障内容、 处理备注说明、 工单处理时限、 处理环节类型和工单 预警信息 输入至初始神经网络模型， 使所述初始神经网络模型输出第二工单 预警程度； 根据所述第 二工单预警程度和所述工单预警信 息调整所述第 一可学习权重、 第 二可学 习权重、 第三可学习权重、 第四可学习权重和第五可学习权重， 得到所述第一神经网络模 型。 6.根据权利要求5所述的方法， 其特 征在于， 所述得到所述第一神经网络模型， 包括： 将验证工单的工单故障内容、 处理备注说明、 工单处理时限、 处理环节类型和工单预警 信息输入至已经调整权重的初始神经网络模型中， 使 所述已经调整权重的初始神经网络模 型输出第三工单 预警程度； 根据所述工单 预警信息验证所述第三工单 预警程度； 若所述第三工单预警程度符合所述工单预警信 息， 将所述已经调整权重的初始神经网 络模型作为第一神经网络模型； 若所述第三工单预警程度不符合所述工单预警信 息， 对所述已经调 整权重的初始神经 网络重新进行训练。 7.一种工单 预警装置， 其特 征在于， 所述装置包括： 数据获取模块， 用于确定目标工单的工单故障内容、 处理备注说明、 工单处理时 限和处 理环节类型， 其中， 所述工单故障内容和所述处理备注说明为文字型信息， 所述工单 处理时 限和所述处 理环节类型为数字型信息； 预警程度获取模块， 用于将所述工单故障内容、 所述处理备注说明、 所述工单处理时限 和所述处理环节类型输入至第一神经网络模型， 得到所述第一神经网络模 型输出的第一工 单预警程度； 预警模块， 用于若所述第一工单 预警程度大于预设阈值， 进行 预警； 其中， 所述第一神经网络模型 预先经过样本数据的训练， 所述样本数据包括： 样本工单的工单故障内容、 处理备注说明、 工单处理时限、 处理环节类型和工单预警信 息， 其中， 所述工单 预警信息用于表示所述样本 工单的超时状况。 8.根据权利要求7所述的装置， 其特征在于， 所述第一神经网络模型包括： 双 向循环神 经网络、 单向循环神经网络、 深度神经网络， 其中， 所述双向循环神经网络和所述单向循环 神经网络用于处理所述第一神经网络模型的输入中的文字型信息， 所述深度神经网络用于 处理所述第一神经网络模型的输入中的数字型信息 。 9.根据权利要求7 所述的装置， 其特 征在于， 所述预警程度获取模块， 包括： 分词单元， 用于将所述工单故障内容和所述处理备注说明进行分词， 得到工单故障内 容分词和处 理备注说明分词； 索引单元， 用于将所述工单故障内容分词和所述处理备注说明分词输入预训练词库， 得到工单故障内容索引和所述处 理备注说明索引； 词向量获取单元， 用于将所述工单故障内容索引和所述处理备注说明索引转化为工单 故障内容词向量和处 理备注说明词向量； 预警程度获取单元， 用于将所述工单故障内容词向量、 处理备注说明词向量、 工单处理 时限和环节状态类型输入至第一神经网络模型， 得到所述第一神经网络模 型输出的第一工权　利　要　求　书 2/3 页 3 CN 114386941 A 3