(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 202210265139.3 (22)申请日 2022.03.17 (71)申请人 广东泰迪智能科技股份有限公司 地址 510000 广东省广州市高新 技术产业 开发区开泰大道3 6号1栋212房 (72)发明人 刘名军　张良均　焦正升　杨惠　 张奥多　周龙　周东平　 (74)专利代理 机构 深圳市广诺专利代理事务所 (普通合伙) 44611 专利代理师 居振浩 (51)Int.Cl. G06F 16/35(2019.01) G06F 16/36(2019.01) G06F 40/247(2020.01) G06F 40/211(2020.01)G06F 40/284(2020.01) G06F 40/295(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06Q 50/18(2012.01) (54)发明名称 一种投诉 事件转捩点识别方法 (57)摘要 本申请提供一种投诉事件转捩点识别方法， 包括： 收集历年投诉事件数据并进行分类； 划分 不同类型待处理投诉事件的阶段， 提取待处理投 诉事件各阶段拐点的特征； 根据待处理投诉事件 特征预测待处理投诉事件走向； 收集新闻事件并 与不具有自动修正能力的待处理投诉事件进行 关联分析， 通过关键字检索新闻事件， 计算新闻 事件与待处理投诉事件相关度； 预测高关联度新 闻事件对待处理投诉事件的影 响类型， 预测新闻 事件对待处理投诉事件起到积极还 是消极作用， 预测新闻事件消极作用对待处理投诉事件影响 力； 根据影 响类型和干预效果对新闻事件进行处 理， 根据干预后的待处理投诉事件 走向判断是否 继续干预。 本发 明能够对恶性投诉事件进行提前 的预警， 避免突破投诉 事件转捩点。 权利要求书4页 说明书7页 附图1页 CN 114969322 A 2022.08.30 CN 114969322 A 1.一种投诉 事件转捩点识别方法， 其特 征在于， 所述方法包括： 收集历年投诉 事件数据并进行分类； 对历年投诉数据中不同类型的投诉事件进行特征提取， 所述对不同类型的投诉事件进 行特征提取， 具体包括： 划分不同类型投诉事件的阶段， 提取投诉事件各阶段转捩点的特 征； 根据投诉 事件各阶段转捩点的特 征预测待处 理投诉事件的走向； 收集新闻事件 并与不具有自动 修正能力的待处理投诉事件进行关联分析， 所述收集新 闻事件并与不具有自动修正能力的待处理投诉事件进行关联分析， 具体包括： 通过关键字 检索新闻事 件， 计算新闻事件与待处 理投诉事件相关度； 预测高关联度新闻事件对待处理投诉事件的影响类型， 所述预测高关联度新闻事件对 待处理投诉事件的影响类型， 具体包括： 预测 新闻事件对待处理投诉事件起到积极还是消 极作用， 预测新闻事 件消极作用对待处 理投诉事件影响力； 根据影响类型和干预效果对新闻事件进行处理， 所述干预效果是指： 对待处理投诉事 件进行干预后预测结果变化情况， 所述根据影响类型和干预效果对新闻事件进行处理， 具 体包括： 对于突破转捩点恶化待处理投诉事件的新闻事件进行干预， 根据干预后的待处理 投诉事件走向判断是否继续干预。 2.根据权利要求1所述的方法， 其中， 所述收集历年投诉 事件数据并进行分类， 包括: 从投诉数据库获取设定时间范围的历史投诉事件的文本数据， 结合预先设立的投诉专 业词库以及网络词库， 将上述历史投诉事件的文本数据进行分词、 分句、 词性标注、 命名实 体识别的预处理， 所述分词具体包括： 采用基础分词方法对所述待分词文本进 行分词， 得到 基础分词结果； 根据预设投诉专业词库中的专有名词， 在所述基础 分词结果中确定非专有词元组合和 专有词元组合； 根据预设网络词库中的网络专有词， 在所述专有词元组合中确定出非网络词元组合； 将所述非专有词元组合中的词元以及所述专有词元组合中除所述非网络词元组合中 的词元以外的词元， 作为所述待分词文本的分词 结果， 将上述预处理后的文本数据作为训 练集， 循环迭代的输入到深度卷积神经网络对所述文本数据进行分类， 直至循环迭代达到 预设次数或预设收敛效果， 得到历年投诉事件的类别， 所述类别包括： 公共政策类、 行政执 法类、 投诉办理类。 3.根据权利要求1所述的方法， 其中， 所述对不同类型的投诉 事件进行特征提取， 包括: 获取投诉数据库中不同类型投诉事件的典型案例数据， 具体包括： 案件详情、 发展过 程、 相关联的新闻舆情、 处理意见、 结果反馈； 包括： 划分不同类型投诉事件的阶段； 提取投 诉事件各阶段转捩点的特 征； 所述划分不同类型待处 理投诉事件的阶段， 具体包括： 获取投诉数据库中同一类型投诉事件的典型案例数据， 获取所述典型案例数据的起始 时间， 以所述起始 时间为起点， 根据所述数据库中的典型案例数据绘制所述投诉事件在单 位时间内的信息量 随时间变化的曲线， 在所述 曲线上进行等时间间隔采样， 绘制出平滑后 的演化包络线， 求出所述演化包络线 上的极大值点的个数， 进而计算出变化阶段的个数， 在 所述演化包络线上， 分别将每个变化阶段等间隔地划分为预设数量的时间段， 并计算每个权　利　要　求　书 1/4 页 2 CN 114969322 A 2时间段中产生的信息量， 进而计算出极大值点和极小值， 在所述演化包络线上每个极大值 点的前后， 分别根据预设的信息量百分比选择分割点， 从而划分出不同的变化阶段； 根据所 述阶段划分方法建立 阶段划分模型， 将待处理投诉事件数据输入所述阶段划分模型， 得到 待处理投诉事件的阶段划分结果； 所述提取待处 理投诉事件各阶段转捩点的特 征， 具体包括： 获取上述阶段划分结果中的分割点作为事件的转捩点， 对所述转捩点设定时间范围内 的待处理投诉事件数据采用主成分分析法进 行特征提取， 所述特征包括： 情绪倾向、 诉求倾 向。 4.根据权利要求1所述的方法， 其中， 所述根据待处理投诉事件特征预测待处理投诉事 件走向， 包括: 根据划分出的不同类型投诉事件的阶段对所有不同类型的典型案例数据进行特征提 取， 构建初始的结果预测模型 的目标函数， 所述 目标函数 的评估目标包括待处理投诉事件 预期结果好坏以及转捩点处的舆情倾向正负， 从所述 典型案例数据中提取训练样本输入所 述目标函数， 所述训练样本具体包括： 相关联的新闻舆情、 结果反馈以及提取到的案例特 征， 并利用GBDT算法和交替优化算法对 所述目标函数进 行训练， 得到最 终的结果预测模 型， 将待处理投诉事件进 行特征提取并输入到所述结果预测模型中， 得到预测的预期结果以及 各个转捩点处的舆情倾向， 并根据预测结果判断该待处理投诉事件是否具有自动修正能 力， 所述自动修正能力是指该待处理投诉事件在不受人为干扰的情况下能得到好的预测结 果， 根据预测的转捩点处的舆情倾向判断该转捩点受外界新闻影响的大小， 将影响大小分 为： 较易受影响、 基本不受影响。 5.根据权利要求1所述的方法， 其中， 所述收集新闻事件 并与不具有自动 修正能力的待 处理投诉事件进行关联分析， 包括: 所述通过关键 字检索新闻事 件， 具体包括： 获取典型案例中相关联的新闻舆情文本数据， 将所述文本数据划分为若干个子文本数 据， 分别对每个所述子文本数据进 行句法结构分析， 读取给定的待分析词， 在所述若干个子 文本数据中， 识别所述待分析词所属的至少一个目标子文本数据， 从所述 目标子文本数据 中， 提取至少一个所述待分析词的邻近词， 根据所述目标子文本数据的句法结构分析结论， 得到对应的所述邻近词 与所述待分析词的语义相关强度和共现紧密度， 根据所述语义相关 强度和所述共现紧密度， 获得联想结果， 将所述联想结果作为关键词在预设网站中检索新 闻事件获取文本数据； 所述计算 新闻事件与待处 理投诉事件相关度， 具体包括： 获取不具有自动 修正能力的待处理投诉事件及检索到的新闻事件， 计算新闻事件与待 处理投诉事件相关度， 当相关度大于设定值时， 将新闻确定为针对待处理投诉事件的新闻 并建立一待处理投诉事件新闻组， 具体包括： 采用 词汇共现算法查找来自新闻事件和待处 理投诉事件的文本内容中的第一共现词汇， 引入词典语义分析所述两个事件文本内容中所 述第一共现词汇之 间的相关关系， 提取新闻发布时间与待处理投诉事件的起始时间进 行比 较， 确定新闻发布时间的相关关系， 根据所述第一共现词汇之间的相关关系及所述新闻发 送时间的相关关系计算所述新闻事件与待处理投诉事件之 间的相关度， 当相关度大于 设定 值时， 将新闻事件确定为针对待处理投诉事件的新闻并建立一待处理投诉事件新闻组， 将权　利　要　求　书 2/4 页 3 CN 114969322 A 3