基于ResNet-BiLSTM模型的电力客服工单分类研究

作者：黄秀彬; 许世辉; 赵阳; 居强; 何学东

来源：电子设计工程, 2022, 30(22): 179-183.

DOI：10.14022/j.issn1674-6236.2022.22.037

• 客服工单
• 文本语义理解
• 残差网络
• 长短时记忆网络

电力客服工单记录着用户在用电过程中的需求、建议和意见，对电力客服工单进行有效的分类，对提升电力系统运行质量和用户体验有着重要意义。对此基于提升工单分类准确度为目的，通过将残差卷积网络(Residual Convolutional Network,ResNet)与双向长短时记忆网络(Bilateral Long-Short-Term Memory network,BiLSTM)结合构造ResNet-BiLSTM模型来挖掘和学习客服工单中的深度语义信息。将ResNet-BiLSTM模型在真实客服工单数据集上进行实验验证，其分类准确度达到了90.8%。结果表明，相较于TextCNN、BiLSTM和ResNet三种模型，所提出的方法识别准确率分别提升了1.6%、6.2%和10.6%，能够很好地实现电力系统客服工单分类。

• 单位
  国家电网有限公司