深度學習在電力潛在投訴識別分類中的應用

羅 欣，張 爽

（國網浙江省電力公司電力科學研究院，杭州 310014）

深度學習在電力潛在投訴識別分類中的應用

羅 欣，張 爽

（國網浙江省電力公司電力科學研究院，杭州 310014）

隨著用戶對用電服務的要求及維權意識的不斷提高，供電企業需開展海量客戶訴求分析，從而實現供電業務薄弱點的發現和改進。因此，提出基于深度學習的電力疑似投訴工單識別分類技術應用，通過深度學習建模、投訴特征標簽提煉、模型學習訓練、疑似投訴識別，優化投訴風險預警與管理工作，緩解一線工作人員服務壓力。

95598；投訴；文本分類；深度學習

0 引言

如何減少用戶的投訴量，提高用戶的滿意度成為目前供電企業關注的焦點。對投訴的有效分析管理，可以提高客戶的滿意度和忠誠度，實現對供電業務薄弱點的發現與改進，對提升供電企業的服務品質，提升企業形象具有重要的意義。

從95598來電分析，大量客戶雖未直接投訴，或者客服專席誤判非投訴，但是通過咨詢、意見和建議等表達對供電服務的不滿，若處理不當或不及時，可能升級為客戶投訴。全省年話務量高達八百萬通，采用傳統抽樣錄音質檢模式，由人工進行逐一反復聽取錄音，工作效率低，無法準確、高效地提取客戶的投訴點、不滿意點。據不完全統計僅疑似投訴質檢常態任務年投入工時為3 456人，而這在未來全面客戶訴求挖掘工作中占比不足1%。

通過基于深度學習的電力疑似投訴工單識別技術，可有效優化質量監督管理工作，強化服務問題防控，減輕基層投訴壓力。

1 深度學習概述

如圖1所示，1956年達特茅斯會議上提出了AI（人工智能）的概念，人工智能的目的是讓計算機能夠像人一樣思考。深度學習是機器學習研究中的一個新領域，推動了機器學習的發展，拓展了人工智能的領域范圍。近兩年開源深度學習技術日趨成熟，具有代表深度學習框架有Tensor-Flow，DL4J等。

深度學習使用包含復雜結構或由多重非線性變換構成的多個處理層（神經網絡）對數據進行高層抽象的算法，其動機在于建立模擬人腦分析學習的神經網絡，模仿人腦來解釋數據（例如圖像，聲音和文本）。深度學習過程分為訓練和推理，通過訓練獲得數據模型，然后用于推理新的數據。

2 深度學習的應用思路

2.1 貪婪無監督特征學習算法

圖1 人工智能發展歷程

以下選用DL4J深度學習技術進行投訴的識別和分類，DL4J是基于Java開源的分布式深度學習框架。如圖2所示，深度學習技術應用主要分為模型選型定義、機器學習訓練、模型優化提升3部分內容。深度學習神經網絡主要包含輸入層、隱藏層和輸出層，圖2右邊是對應的分層的實現代碼。模型學習和訓練的算法選擇決定最終的結果，結合投訴文本特征處理與識別分類，選擇采用貪婪無監督的逐層訓練方法。

圖2 深度學習應用示意

貪婪無監督特征學習算法（L）使用訓練集樣本并返回編碼器或特征函數f。原始輸入數據是X， 每行 1 個樣本， 并且 f（1）（X）是第一階段編碼器關于X的輸出。在執行精調的情況下，使用學習者T、初始函數f、輸入樣本X以及在監督精調情況下關聯的目標Y，返回細調好的函數。階段數為m。實現代碼如下：

2.2 總體設計思路

目前，95598工單中存在一定數量的投訴錯派工單，工單內容是以非結構化的文本形式記錄存儲的，然而深度學習神經網絡模型識別的模式是通過向量中的數值形式體現。因此，首先利用FudanNLP中文分詞技術實現工單非結構化文本分詞，通過DL4J的DataVec類實現向量化。利用DataVec向量化及表達式模板庫（DL4J工具包）實現數據提取、轉換和ETL（加載）處理。通過用已標記的數據集定型，深度學習神經網絡才能實現對數據的系統分類。

如圖3所示，利用深度學習技術對某公司2015—2017年的投訴工單進行投訴樣本分析、投訴特征標簽提煉、深度學習建模、模型學習訓練、疑似投訴識別等一系列工作，實現疑似投訴工單深度學習智能識別與分類。

圖3 總體思路設計

3 關鍵技術解決

3.1 投訴特征標簽提煉

投訴特征標簽提煉首先是對歷史投訴樣本工單受理內容進行DataVec類處理，結合百度詞庫進行分詞，提取投訴特有向量標簽詞，再將這些標簽詞在原有樣本工單內容進行系統標注，然后將個別標簽詞進行重組提煉，最后對投訴樣本進行分詞和去停用詞，從而得到投訴格式化樣本數據。具體過程如圖4所示。

圖4 投訴特征標簽提煉流程

3.2 模型學習訓練

模型學習訓練過程的核心內容就是解決投訴文本數值轉譯表述，采用向量空間模型。將文本分為若干的特征項，通過特定的手段計算出每個特征項在該文本中的權重，進而將整個文本用以特征項的權重為分量的向量來表示，將文本用特征向量的方式表示為數學模型，然后基于投訴樣本向量分組進行迭代學習，具體過程如圖5所示。

通過對疑似投訴工單識別模型實現人工實時監督再學習或者非人工模式下自學習，同時通過學習訓練進度窗口展現后臺對模型深度學習過程與學習輸出。

3.3 疑似投訴識別

疑似投訴識別則通過文本相似度判斷進行疑似投訴識別與分類。一旦文檔分詞采用空間向量表述，文本之間的語義相似度就可以通過空間中的這2個向量間的幾何關系來度量。經過模型訓練評估相似度設置70%，則投訴識別準確率達到91.5%左右。具體實現過程如圖6所示，基于上述已學習的模型成果對所有95598來電受理工單進行逐一判定識別。

圖5 模型學習訓練實現流程

4 應用案例

如表1所示，對投訴樣本進行一級分類訓練測試，選取2017年7月28日浙江公司國網下發3 396張工單進行應用成果驗證。

表1投訴樣本選取數量件

如表2所示，系統潛在投訴識別準確率達到94.73%。如果將研究成果投入實際應用中，據不完全統計，以往2～3萬張工單的核查任務，需要6人連續工作6天，而用了這項成果后只需1人花1 h即可。

5 結語

圖6 疑似投訴識別實現流程

表2 潛在投訴識別與分類結果準確性統計

通過深度學習技術預測未來潛在投訴行為和供電業務薄弱點，從所有工單中高效地提取客戶訴求價值，識別潛在投訴風險，提升服務風險監督管控能力，將投訴處理從原來的“事后彌補”變為“事前控制”，供電企業在處理投訴問題時由被動變為主動，從而大幅度地降低用戶投訴率，提升電力優質服務水平。

[1]洪健山，劉歡.基于電力客戶投訴行為分析的差異化服務策略研究[J].電力需求側管理，2015，17（6）∶42-46.

[2]陸家發，張國明，陳安琪.基于深度學習的疾病診斷[J].醫學信息學雜志，2017，38（4）∶39-42.

[3]周文杰，嚴建峰，楊璐.基于深度學習的用戶投訴預測模型研究[J].計算機應用研究，2017，34（5）∶1428-1432.

[4]李倩，趙振宇.淺析如何提升服務質量避免電力客戶投訴率[J].電力訊息，2017（3）∶222-223.

[5]陳亮，王震，王剛.深度學習框架下LSTM網絡在短期電力負荷預測中的應用[J].電力信息與通信技術，2017，15（5）∶8-11.

[6]董潔，程鵬，李玲玲.深度學習算法在電力系統短期負荷預測中的應用[J].自動化系統，2017（2）∶82-84.

[7]胡俊，擺亮，呂志泉.一種基于深度學習的層次化釣魚網站檢測方法[J].通信技術，2017，50（5）∶1025-1028.

[8]呂淑寶，王明月，翟祥，等.一種深度學習的信息文本分類算法[J].哈爾濱理工大學學報，2017，22（2）∶105-111.

[9]李濟漢，陳博.面向電信客戶投訴和建議的智能分析模型[J].現代電信科技，2013（5）∶105-111.

[10]李靜，劉思濤.基于文本挖掘技術的95598重復投訴分析[J].消費導刊，2016（12）∶277-278.

[11]吳亮，張潮，陳瓊.用電信息系統運行數據的統計與分析[J].浙江電力，2017，36（4）∶56-59.

[12]龍厚印，劉衛東，黃錦華，等.基于業擴報裝的月度負荷預測[J].浙江電力，2016，35（12）∶11-14.

[13]丁麒，劉興平.提升客戶滿意度的閉環問題管理模型分析[J].浙江電力，2016，35（8）∶63-66.

[14]袁偉.95598全業務集中后客戶服務風險分析[J].企業技術開發，2016，35（24）∶151-152.

[15]張慧，于珂，杜瑾.客戶投訴業務工單的訴求分析[J].電力需求側管理，2017，19（2）∶57-59.

2017-08-24

羅 欣（1980），女，技師，主要從事95598客戶訴求分析工作。

（本文編輯：張 彩）

Application of Deep Learning in Identification and Classification of Potential Complaints of Electric Power

LUOXin，ZHANGShuang
（State Grid Zhejiang Electric Power Research Institute，Hangzhou 310006，China）

With the uses′increased requirements on power consumption and improved awareness of right，power supply enterprises need to carry out massive customer demands analysis to discover and improve weak points in power supply services.Therefore，the paper puts forward application of potential complaints work sheet identification and classification based on deep learning.By deep learning modeling，complaint character tag abstracting， model learning and training， potential complaints identification and complaint risk warning and management optimization，service loads of frontline workers are greatly reduced.

95598； complaints； text classification； deep learning

10.19585/j.zjdl.201710016

1007-1881（2017）10-0083-04

TP311.521

B