(19)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 202211131146.0 (22)申请日 2022.09.16 (71)申请人 中国工商银行股份有限公司 地址 100140 北京市西城区复兴门内大街 55号 (72)发明人 路民超　熊俊杰　邱宏旭　 (74)专利代理 机构 北京康信知识产权代理有限 责任公司 1 1240 专利代理师 周春枚 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 40/02(2012.01) G06F 16/901(2019.01) G06F 16/903(2019.01) G06F 16/35(2019.01)G06F 40/242(2020.01) G06F 40/289(2020.01) G06F 40/253(2020.01) G06F 40/30(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 工单的分 派方法及装置、 处 理器和电子设备 (57)摘要 本申请公开了一种工单的分派方法及 装置、 处理器和电子设备， 涉及人工智 能领域。 该方法 包括： 获取目标工单中多个目标词语的第一潜在 特征， 其中， 目标工单为待分派的工单， 目标词语 为目标工 单中除停用词之外的词语； 结合神经网 络的全连接层和归一化指数函数， 基于第一潜在 特征， 计算得到多个概率值， 其中， 概率值为目标 工单对应每个机构层级的概率值； 依据多个概率 值和第一预设阈值， 确定目标工单对应的目标机 构层级； 基于目标机构层级， 确定目标工单对应 的目标机构， 并将目标工单分派至目标机构。 通 过本申请， 解决了相关技术中分派工单的精确性 较低的问题。 权利要求书2页 说明书16页 附图8页 CN 115456421 A 2022.12.09 CN 115456421 A 1.一种工单的分派方法， 其特 征在于， 包括： 获取目标工单中多个目标词语的第 一潜在特征， 其中， 所述目标工单为待分派的工单， 所述目标词语为所述目标工单中除停用词之外的词语； 结合神经网络的全连接层和归一化指数函数， 基于所述第一潜在特征， 计算得到多个 概率值， 其中， 所述 概率值为所述目标工单对应 每个机构层级的概 率值； 依据所述多个概 率值和第一预设阈值， 确定所述目标工单对应的目标机构层级； 基于所述目标机构层级， 确定所述目标工单对应的目标机构， 并将所述目标工单分派 至所述目标机构。 2.根据权利要求1所述的方法， 其特征在于， 依据所述多个概率值和第一预设阈值， 确 定所述目标工单对应的目标机构层级包括： 确定所述多个概 率值中最大的两个概 率值； 将所述多个概 率值中最大的两个概 率值作差， 得到目标 数值； 判断所述目标 数值是否大于所述第一预设阈值； 若所述目标数值大于所述第一预设阈值， 则确定所述多个概率值中最大的概率值， 并 将与最大的概 率值对应的机构层级作为所述目标机构层级； 若所述目标数值不大于所述第 一预设阈值， 则获取所述目标工单中多个目标词语的第 二潜在特 征； 结合所述神经网络的全连接层和所述归一化指数函数， 基于所述第二潜在特征， 确定 所述目标工单对应的目标机构层级。 3.根据权利要求1所述的方法， 其特征在于， 获取目标工单中多个目标词语的第 一潜在 特征包括： 过滤所述目标工单中的目标字符， 得到第一工单， 其中， 所述目标字符为以下至少之 一： 特殊字符和无用字符； 基于停用词表， 过 滤所述第一工单中的停用词， 得到第二工单； 基于第一字词典， 对所述第二工单中的每 个词语进行分词处 理， 得到多个词向量； 对每个词向量进行处 理， 得到词嵌入矩阵； 将所述词嵌入矩阵输入至ELMO模型进行处理， 得到所述目标工单中多个目标词语的第 一潜在特 征。 4.根据权利要求3所述的方法， 其特征在于， 获取所述目标工单中多个目标词语的第 二 潜在特征包括： 基于所述目标工单中每个目标词语在每个第二字词典中的出现情况和每个机构层级 的TF‑IDF矩阵， 得到每个机构层级的权重矩阵， 其中， 第二字词典为每个机构层级的历史工 单对应的字词典； 将每个机构层级的权重矩阵分别与 所述词嵌入矩阵做点乘运算， 得到每个机构层级的 加权矩阵； 依据每个机构层级的加权矩阵和所述第一潜在特 征， 构建图像矩阵； 对所述图像矩阵进行卷积处理， 并基于最大池化方法， 得到所述目标工单中多个目标 词语的第二潜在特 征。 5.根据权利要求3所述的方法， 其特征在于， 将所述词嵌入矩阵输入至ELMO模型进行处权　利　要　求　书 1/2 页 2 CN 115456421 A 2理， 得到所述目标工单中多个目标词语的第一潜在特 征包括： 分别利用所述ELMO模型中的前向LSTM层和后向LSTM层对所述目标工单进行处理， 得到 第三潜在特 征和第四潜在特 征； 将所述词嵌入矩阵、 所述第三潜在特征和所述第 四潜在特征进行加权求和， 得到所述 目标工单中多个目标词语的第一潜在特 征。 6.根据权利要求4所述的方法， 其特征在于， 在基于所述目标工单中每个目标词语在每 个第二字词典中的出现情况和每个机构层级的TF ‑IDF矩阵， 得到每个机构层 级的权重矩阵 之前， 所述方法还 包括： 获取过滤掉特殊字符、 无用字符和停用词的多个历史工单； 将每个历史工单划分至对应的机构层级； 对每个机构层级的历史工单进行分词处 理， 建立多个第二字词典； 采用TF‑IDF公式， 基于每 个第二字词典， 得到每 个机构层级的TF ‑IDF矩阵。 7.根据权利要求1所述的方法， 其特征在于， 基于所述目标机构层级， 确定所述目标工 单对应的目标机构包括： 提取所述目标工单中包 含所述目标机构层级的关键信息； 将所述关键信息与所述目标机构层级的机构树做文本相似度匹配， 得到相似度； 判断所述相似度是否大于第二预设阈值； 若所述相似度 大于所述第 二预设阈值， 则从所述机构树中确定所述目标工单对应的目 标机构； 若所述相似度不大于所述第 二预设阈值， 则将层级最高的机构作为所述目标工单对应 的目标机构。 8.一种工单的分派装置， 其特 征在于， 包括： 第一获取单元， 用于获取目标工单中多个目标词语的第 一潜在特征， 其中， 所述目标工 单为待分派的工单， 所述目标词语为所述目标工单中除停用词之外的词语； 第一计算单元， 用于结合神经网络的全连接层和归一化指数函数， 基于所述第一潜在 特征， 计算得到多个概率值， 其中， 所述概率值为所述目标工单对应每个机构层级的概率 值； 第一确定单元， 用于依据所述多个概率值和第一预设阈值， 确定所述目标工单对应的 目标机构层级； 第一处理单元， 用于基于所述目标机构层级， 确定所述目标工单对应的目标机构， 并将 所述目标工单分派至所述目标机构。 9.一种处理器， 其特征在于， 所述处理器用于运行程序， 其中， 所述程序运行时执行权 利要求1至7中任意 一项所述的工单的分派方法。 10.一种电子设备， 其特征在于， 包括一个或多个处理器和存储器， 所述存储器用于存 储一个或多个程序， 其中， 当所述一个或多个程序被所述一个或多个处理器执行时， 使得所 述一个或多个处 理器实现权利要求1至7中任意 一项所述的工单的分派方法。权　利　要　求　书 2/2 页 3 CN 115456421 A 3