基于WaveNet的工单派发方法、装置及相关介质

技术领域

本发明涉及工单派发技术领域，特别涉及基于WaveNet的工单派发方法、装置及相关介质。

背景技术

近年来，随着物业行业的数字化转型，智慧工单已被广泛应用于物业管理的多场景下，为客户资产和空间等领域提供统一报事、周期性维保任务、任务分配与调度等整体解决方案，同时能较好地实现服务结果量化，为后期的工单完成率统计和薪酬计算提供非常重要的依据和保障。

但是目前的物业工单派发仍然基于某些特定规则来实现，但是当存在一些特殊情况时，例如员工离职、请休假、非正常上班等情况，此时派单到工作组或组织+岗位的方法便会降低精准度，导致了工单可能无法成功派发至有效用户，以及员工抢单耗时过长等问题。

发明内容

本发明实施例提供了一种基于WaveNet的工单派发方法、装置、计算机设备及存储介质，旨在提高工单派发的准确性、实时性和成功率。

第一方面，本发明实施例提供了一种基于WaveNet的工单派发方法，包括：

获取工单数据以及多个待接收所述工单数据的用户数据，并根据所述工单数据生成任务特征属性，以及根据多个所述用户数据对应生成多个用户画像属性；

对所述任务特征属性和每一用户画像属性分别进行向量化处理，得到任务特征向量和对应多个初始用户画像向量；

利用改进的WaveNet模型为每一所述初始用户画像向量生成个性化标签，并结合所述初始用户画像向量和对应的个性化标签生成目标用户画像向量；

对所述任务特征向量和每一所述目标用户画像向量分别计算相似度，并选取相似度最高的前N个目标用户画像向量对应的用户作为派发对象，其中N≥1。

第二方面，本发明实施例提供了一种基于WaveNet的工单派发装置，包括：

数据获取单元，用于获取工单数据以及多个待接收所述工单数据的用户数据，并根据所述工单数据生成任务特征属性，以及根据多个所述用户数据对应生成多个用户画像属性；

向量化处理单元，用于对所述任务特征属性和每一用户画像属性分别进行向量化处理，得到任务特征向量和对应多个初始用户画像向量；

标签生成单元，用于利用改进的WaveNet模型为每一所述初始用户画像向量生成个性化标签，并结合所述初始用户画像向量和对应的个性化标签生成目标用户画像向量；

用户选取单元，用于对所述任务特征向量和每一所述目标用户画像向量分别计算相似度，并选取相似度最高的前N个目标用户画像向量对应的用户作为派发对象，其中N≥1。

第三方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于WaveNet的工单派发方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于WaveNet的工单派发方法。

本发明实施例提供了一种基于WaveNet的工单派发方法、装置、计算机设备及存储介质，该方法包括：获取工单数据以及多个待接收所述工单数据的用户数据，并根据所述工单数据生成任务特征属性，以及根据多个所述用户数据对应生成多个用户画像属性；对所述任务特征属性和每一用户画像属性分别进行向量化处理，得到任务特征向量和对应多个初始用户画像向量；利用改进的WaveNet模型为每一所述初始用户画像向量生成个性化标签，并结合所述初始用户画像向量和对应的个性化标签生成目标用户画像向量；对所述任务特征向量和每一所述目标用户画像向量分别计算相似度，并选取相似度最高的前N个目标用户画像向量对应的用户作为派发对象，其中N≥1。本发明实施例首先收集用户及工单数据，并自动生成用户画像属性及任务特征属性，接着将用户画像及任务特征属性抽象成向量，然后利用改进的WaveNet模型为用户生成个性化标签，再使用余弦相似度计算与任务特征匹配相似的用户，并选取排名前若干位的用户作为该工单的推荐用户，如此可以提高物业派单过程中的准确性、实时性和成功率。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于WaveNet的工单派发方法的流程示意图；

图2为本发明实施例提供的一种基于WaveNet的工单派发方法的子流程示意图；

图3为本发明实施例提供的一种基于WaveNet的工单派发装置的示意性框图；

图4为本发明实施例提供的一种基于WaveNet的工单派发装置的子示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

下面请参见图1，本发明实施例提供了一种基于WaveNet的工单派发方法，具体包括：步骤S101~S104。

S101、获取工单数据以及多个待接收所述工单数据的用户数据，并根据所述工单数据生成任务特征属性，以及根据多个所述用户数据对应生成多个用户画像属性；

本步骤中，当创建工单后，调用任务特征工程，以为工单生成对应的任务特征，任务特征属性具体可以包括时间、空间和工单内容等信息。其中时间属性可以包括任务创建时间、任务响应时间、计划开始时间、计划结束时间、实际开始时间、实际结束时间、标准工时、实际工时、接单时长、进行时长、验收时长、评价时长等；空间属性可以包括空间位置、地理位置、坐标、所属物业等；工单内容可以包括任务类型、专业类型、流程状态、优先级、是否收费、SOP（Standard Operating Procedure，即标准作业程序）数量、SOP分类、步骤数量等。

当用户触发接单、开始工作或者是完成工单任务等事件后，调用用户画像工程，为用户生成用户画像属性。该用户画像属性可以包括用户画像时间、空间、专业三大属性数据。其中时间属性可以包括：最新活跃时间、最新活跃时间段、最新工作效率、进行中工单累计标准工时、当天进行中累计工单标准工时、累计获取标准工时、累计获取实际工时等；空间属性可以包括最新活动坐标、最新活跃物业、所在省市、所在地理位置等；专业属性可以包括机动属性、专业标签、专业标签权重值、专业分类标签、专业分类标签权重值等。

S102、对所述任务特征属性和每一用户画像属性分别进行向量化处理，得到任务特征向量和对应多个初始用户画像向量；

本步骤中，结合图2所示，所述步骤S102包括：步骤S201~S204。

S201、按照下式对所述任务特征属性进行时间属性向量化表示：

；

其中，t

S202、获取所述任务特征属性的经纬度坐标，并利用经纬度距离计算方法将所述经纬度坐标转换为n维向量，得到所述任务特征属性的空间属性向量化表示：

；

其中，s

S203、采用词向量模型对所述任务特征属性进行内容属性向量化表示：

；

其中，c

S204、将所述第一时间属性向量、第一空间属性向量和第一内容属性向量汇总为所述任务特征向量

此外，所述步骤S102还包括：

按照下式对所述用户画像属性进行时间属性向量化表示：

；

其中，

获取所述用户画像属性的经纬度坐标，并利用经纬度距离计算方法将所述经纬度坐标转换为二维坐标向量，得到所述任务特征属性的空间属性向量化表示：

；

其中，

采用词向量模型对所述用户画像属性进行内容属性向量化表示：

；

其中，

将所述第二时间属性向量、第二空间属性向量和第二内容属性向量汇总为所述用户画像向量

本实施例一方面通过将任务特征属性中的时间属性、空间属性和内容属性对应转化为第一时间属性向量、第一空间属性向量和第一内容属性向量，从而汇总得到所述任务特征向量；另一方面通过将用户画像属性中的时间属性、空间属性和专业属性对应转化为第二时间属性向量、第二空间属性向量和第二内容属性向量，从而汇总得到所述用户画像向量。

S103、利用改进的WaveNet模型为每一所述初始用户画像向量生成个性化标签，并结合所述初始用户画像向量和对应的个性化标签生成目标用户画像向量；

本步骤具体包括：

对所述初始用户画像向量进行数据预处理，其中，所述数据预处理包括数据清洗、特征提取；

将经过数据预处理的初始用户画像向量输入至WaveNet模型中，利用WaveNet模型中的卷积层和池化层依次对所述初始用户画像向量进行卷积处理和池化处理；

利用残差模块对卷积层的输出结果进行信息流调节处理；

通过softmax函数对池化层的输出结果进行分类预测，并基于分类预测结果生成所述个性化标签。

具体的，所述利用残差模块对卷积层的输出结果进行信息流调节处理，包括：

按照下式，采用残差块内部的门控激活单元对卷积层的输出结果进行信息流调节处理：

；

其中，z为门控激活单元的输出结果，tanh和sigmoid分别为过滤门和学习门，x为卷积层的输入数据，w

WaveNet网络模型基于卷积神经网络，能够进行并行运算，训练和预测速度快。为解决用户个性化标签多分类准确率较低问题，本实施例将WaveNet模型应用于用户画像标签生成领域。为了更全面地对数据特征进行提取，使用最大、平均池化输出并联的融合池化作为模型的池化层。并且在特征提取阶段，将最大池化和平均池化进行并联得到的融合池化层对深层特征进行提取。

具体来说，首先将获取的用户特征向量输入至WaveNet模型，同时为了优化扩大卷积的使用，将残差技术应用于模型。残差块输出为：

；

其中，x为扩大卷积的输入特征（即所述用户特征向量），

残差块内部单元为门控激活单元，分别使用tanh和sigmoid作为过滤门和学习门，用作激活函数。门控激活扩大卷积的输出为：

；

其中，

对残差块进行堆叠，得到的输出为：

；

在进行池化融合与批量标准化处理时，融合池化过程为：

；

其中，h为上层网络传入融合池化层的输入；

批处理输入为：

；

计算批处理数据均值：

；

计算批处理数据方差：

；

规范化处理：

；

尺度变化和偏移：

；

其中，

接着，使用softmax函数计算分类的结果概率，即将上述模型的输出发送到softmax函数，从而根据softmax函数输出的分类结果为用户生成个性化标签，并进一步根据用户的个性化标签，为其推荐相应更合适的工单等。softmax多分类计算公式为：

；

其中，

S104、对所述任务特征向量和每一所述目标用户画像向量分别计算相似度，并选取相似度最高的前N个目标用户画像向量对应的用户作为派发对象，其中N≥1。

在所述步骤S103之前，包括：

利用PCA降维方法对所述任务特征向量提取共性特征，得到目标任务特征向量。

在PCA降维方法中，共性特征是指在原始数据集中存在的相关性或共线性结构。这些共性特征可以被解释为数据中存在的主要模式或方差最大的方向。通过应用PCA降维技术，可以将原始数据集中的这些共性特征提取出来，从而获得一个更小但仍然具有代表性的特征集，这个特征集中的特征被称为主成分。通过这种方式，可以简化数据集，并帮助发现数据的基本结构。

所述步骤S103包括：

针对每一目标用户画像向量，按照下式计算所述目标任务特征向量与目标用户画像向量的相似度：

；

其中，

通过使用余弦相似度计算用户画像向量（本步骤中即为所述目标用户画像向量）和任务特征向量（本步骤中即为所述目标任务特征向量）之间的相似度，可以得到每个用户和工单任务之间的相似度分数。随后可以将相似度分数排序，例如从高至低或者从低至高，将排名前N位的用户作为该工单的推荐用户。

当然，在其他实施例中，还可以采用方式计算目标任务特征向量与目标用户画像向量之间的相似度，例如欧式距离等等。

本实施例首先收集用户及工单数据，并自动生成用户画像属性及任务特征属性，接着将用户画像及任务特征属性抽象成向量，然后利用改进的WaveNet模型为用户生成个性化标签，再使用余弦相似度计算与任务特征匹配相似的用户，并选取排名前若干位的用户作为该工单的推荐用户，如此可以提高物业派单过程中的准确性、实时性和成功率。

图3为本发明实施例提供的一种基于WaveNet的工单派发装置300的示意性框图，该装置300包括：

数据获取单元301，用于获取工单数据以及多个待接收所述工单数据的用户数据，并根据所述工单数据生成任务特征属性，以及根据多个所述用户数据对应生成多个用户画像属性；

向量化处理单元302，用于对所述任务特征属性和每一用户画像属性分别进行向量化处理，得到任务特征向量和对应多个初始用户画像向量；

标签生成单元303，用于利用改进的WaveNet模型为每一所述初始用户画像向量生成个性化标签，并结合所述初始用户画像向量和对应的个性化标签生成目标用户画像向量；

用户选取单元304，用于对所述任务特征向量和每一所述目标用户画像向量分别计算相似度，并选取相似度最高的前N个目标用户画像向量对应的用户作为派发对象，其中N≥1。

在一实施例中，如图4所示，所述向量化处理单元302包括：

第一时间表示单元401，用于按照下式对所述任务特征属性进行时间属性向量化表示：

；

其中，t

第一空间表示单元402，用于获取所述任务特征属性的经纬度坐标，并利用经纬度距离计算方法将所述经纬度坐标转换为n维向量，得到所述任务特征属性的空间属性向量化表示：

；

其中，s

第一内容表示单元403，用于采用词向量模型对所述任务特征属性进行内容属性向量化表示：

；

其中，c

第一向量汇总单元404，用于将所述第一时间属性向量、第一空间属性向量和第一内容属性向量汇总为所述任务特征向量

在一实施例中，所述向量化处理单元302还包括：

第二时间表示单元，用于按照下式对所述用户画像属性进行时间属性向量化表示：

；

其中，

第二空间表示单元，用于获取所述用户画像属性的经纬度坐标，并利用经纬度距离计算方法将所述经纬度坐标转换为二维坐标向量，得到所述任务特征属性的空间属性向量化表示：

；/>

其中，

第二内容表示单元，用于采用词向量模型对所述用户画像属性进行内容属性向量化表示：

；

其中，

第二向量汇总单元，用于将所述第二时间属性向量、第二空间属性向量和第二内容属性向量汇总为所述用户画像向量

在一实施例中，所述标签生成单元303包括：

数据预处理单元，用于对所述初始用户画像向量进行数据预处理，其中，所述数据预处理包括数据清洗、特征提取；

卷积池化单元，用于将经过数据预处理的初始用户画像向量输入至WaveNet模型中，利用WaveNet模型中的卷积层和池化层依次对所述初始用户画像向量进行卷积处理和池化处理；

残差处理单元，用于利用残差模块对卷积层的输出结果进行信息流调节处理；

分类预测单元，用于通过softmax函数对池化层的输出结果进行分类预测，并基于分类预测结果生成所述个性化标签。

在一实施例中，所述残差处理单元包括：

门控激活单元，用于按照下式，采用残差块内部的门控激活单元对卷积层的输出结果进行信息流调节处理：

；

其中，z为门控激活单元的输出结果，tanh和sigmoid分别为过滤门和学习门，x为卷积层的输入数据，w

在一实施例中，所述用户选取单元304包括：

相似度计算单元，用于针对每一目标用户画像向量，按照下式计算所述目标任务特征向量与目标用户画像向量的相似度：

；

其中，

由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。

本发明实施例还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还提供了一种计算机设备，可以包括存储器和处理器，存储器中存有计算机程序，处理器调用存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然计算机设备还可以包括各种网络接口，电源等组件。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。