買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜廣州豐石科技有限公司申請的專利一種基于自然語言的投訴分類判別方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN119166814B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-03-25發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202411255303.8，技術(shù)領(lǐng)域涉及：G06F16/35；該發(fā)明授權(quán)一種基于自然語言的投訴分類判別方法是由陳曦;朱建凱;王鵬亮;胡偉龍設(shè)計研發(fā)完成，并于2024-09-09向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于自然語言的投訴分類判別方法在說明書摘要公布了：本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其涉及一種基于自然語言的投訴分類判別方法；包括以下步驟：S1、構(gòu)建情感分類器模型；S2、獲取待處理投訴工單文本內(nèi)容，得到相應(yīng)的多個詞嵌入向量，得到每個詞嵌入向量對應(yīng)的字詞的情感標(biāo)簽；S3、獲取該用戶以往的個人投訴記錄以及與該以往的個人投訴記錄同類型的他人投訴記錄；S4、將投訴內(nèi)容、投訴類型、個人投訴記錄和他人投訴記錄整合，進(jìn)行存儲；S5、將存儲的內(nèi)容轉(zhuǎn)化為文字形式；S6、對轉(zhuǎn)化為文字形式的投訴內(nèi)容中的每個字詞標(biāo)記情感標(biāo)簽，完成投訴分類；本發(fā)明更加精準(zhǔn)的對投訴內(nèi)容中的詞匯進(jìn)行分類，有效地提升了投訴識別效率，具有較強(qiáng)的通用性。

本發(fā)明授權(quán)一種基于自然語言的投訴分類判別方法在權(quán)利要求書中公布了：1.一種基于自然語言的投訴分類判別方法，其特征在于，包括以下步驟：S1、構(gòu)建情感分類器模型，具體包括以下步驟：S11、獲取歷史投訴工單文本內(nèi)容；S12、對歷史投訴工單文本內(nèi)容進(jìn)行分詞處理，得到多個字詞和每個字詞對應(yīng)的詞嵌入向量；S13、根據(jù)S12步驟得到的多個字詞和多個詞嵌入向量，構(gòu)建GNN網(wǎng)絡(luò)結(jié)構(gòu)，得到每個詞嵌入向量的情感標(biāo)簽，從而得到聯(lián)合損失，根據(jù)聯(lián)合損失，更新GNN網(wǎng)絡(luò)結(jié)構(gòu)的全部網(wǎng)絡(luò)參數(shù)，得到情感分類器模型；S13具體包括以下步驟：S131、設(shè)置固定值和默認(rèn)詞，當(dāng)S12步驟得到的字詞的數(shù)量大于等于固定值時，截取前固定值個字詞，當(dāng)S12步驟得到的字詞的數(shù)量小于固定值時，使用默認(rèn)值進(jìn)行填充，使填充后的字詞的數(shù)量等于固定值；S132、對S131步驟處理后的字詞，使用滑動窗口構(gòu)建鄰接圖，鄰接圖包括多個節(jié)點和多條邊，每個節(jié)點設(shè)有對應(yīng)的詞嵌入向量，每條邊上設(shè)有邊權(quán)值；S133、使用鄰接圖，構(gòu)建GNN網(wǎng)絡(luò)結(jié)構(gòu)，GNN網(wǎng)絡(luò)結(jié)構(gòu)包括多層隱藏層、多層全連接層和輸出層，全連接層的層數(shù)與情感標(biāo)簽的類別數(shù)相同；S133具體包括以下步驟：S1331、GNN網(wǎng)絡(luò)結(jié)構(gòu)中的第一層隱藏層的節(jié)點數(shù)為鄰接圖全部節(jié)點的二倍，鄰接圖中全部的節(jié)點的詞嵌入向量和鄰接圖中全部的邊權(quán)值分別作為GNN網(wǎng)絡(luò)結(jié)構(gòu)中第一層隱藏層每個節(jié)點的參數(shù)；S1332、GNN網(wǎng)絡(luò)結(jié)構(gòu)第二層隱藏層的節(jié)點數(shù)量與第一層隱藏層的節(jié)點數(shù)量相同，且第二層隱藏層的節(jié)點參數(shù)與第一層隱藏層的節(jié)點參數(shù)通過模型訓(xùn)練參數(shù)theta構(gòu)成關(guān)聯(lián)矩陣，從而得到第二層隱藏層每個節(jié)點的參數(shù)，依此類推得到全部隱藏層中節(jié)點的參數(shù)；S1333、每個的全連接層都采用softmax函數(shù)得到詞嵌入向量在對應(yīng)情感標(biāo)簽下的概率，輸出層輸出每個詞嵌入向量概率最大的情感標(biāo)簽；S134、使用聯(lián)合損失計算模型計算S133步驟構(gòu)建的GNN網(wǎng)絡(luò)結(jié)構(gòu)的聯(lián)合損失，根據(jù)聯(lián)合損失，通過反向傳播過程，得到GNN網(wǎng)絡(luò)結(jié)構(gòu)中每個網(wǎng)絡(luò)參數(shù)的更新值，并用更新值替換掉原來的網(wǎng)絡(luò)參數(shù)，得到情感分類器模型；S2、獲取待處理投訴工單文本內(nèi)容，采用S12步驟中的方法得到相應(yīng)的多個詞嵌入向量，將得到的詞嵌入向量輸入至S1步驟構(gòu)建的情感分類器模型中，得到每個詞嵌入向量對應(yīng)的字詞的情感標(biāo)簽，情感標(biāo)簽包括正面詞、負(fù)面詞和中性詞；S3、將S2步驟生成的詞嵌入向量輸入至RAG知識庫中，獲取該用戶以往的個人投訴記錄以及與該以往的個人投訴記錄同類型的他人投訴記錄；S4、根據(jù)S2步驟的詞嵌入向量，判斷投訴內(nèi)容的投訴類型，將投訴內(nèi)容、投訴類型和S3步驟獲取的個人投訴記錄和他人投訴記錄整合在一起，輸出至詞向量信息映射模塊中進(jìn)行存儲；S5、將S4步驟輸出至詞向量信息映射模塊中的內(nèi)容轉(zhuǎn)化為文字形式；S6、根據(jù)S2步驟中得出的每個詞嵌入向量對應(yīng)的情感標(biāo)簽，對轉(zhuǎn)化為文字形式的投訴內(nèi)容中的每個字詞標(biāo)記情感標(biāo)簽，完成投訴分類。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人廣州豐石科技有限公司，其通訊地址為：510000 廣東省廣州市天河區(qū)元崗橫路37號3層B4311房；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。