AI智能派单，热线接诉即办

首页标题 ꄲ 吉奥新闻 ꄲ AI智能派单，热线接诉即办

随着我国城镇化水平的不断提高，人民对城市管理、政府服务有了更高期望。为提高政府服务效率，政务服务热线每个环节的精细化服务变得尤为重要。然而，工作人员在接到诉求来电后，常常会遇到案件种类繁杂、权责划分不清等情况。案件分类从几百个增加到千余个，使得案件分类难度增大，话务员工作效率降低。

“奥思”是吉奥时空研发的面向政务应用的人工智能平台，具备语义挖掘、语义检索、一键预测、知识图谱等能力。政务人工智能平台“奥思”，利用智能技术，发挥政务热线作为城市“总客服”、民意“晴雨表”的重要价值。在话务员录入工单的过程中，“奥思”根据诉求内容智能推荐案件类别，无需手动选择，缩短工单录入效率，提高案件分类准确率，让政务服务更加高效友好。

自动分类提效率

每天，市民服务热线都会收到市民多种途径（电话、微信小程序等）上报的诉求信息，话务坐席根据诉求内容对案件分类，并分配给相关责任单位和处置部门。随着热线的广泛应用，案件类别逐渐增多且细分难辨，坐席往往难以快速识别出案件类别。随着案件数量不断增加，需要以自动化辅助业务人员，加速分类，提高诉求处置效率。

技术演进三步走

案件分类自动化分为三个技术阶段。

01规则匹配

通过设计匹配规则，根据规则判断案件类别。例如，使用关键词查找规则，当程序检查到诉求文本中有“噪音”、“吵”等词时，自动将诉求案例归为“噪音”类别。然而，基于规则匹配的泛化能力较弱，而且随着类别的细分增多，规则需要经常增加调整，人工成本非常高。

02机器学习

基于机器学习的方法运用统计概率、特征空间等理论，通过特征工程设计分类算法或模型，自动判断诉求类别。例如TD-IDF算法，当算法检测到诉求文本中“工地”、“吵”等词在“工地噪音”类别中出现的次数较多，但在其他类别中很少出现时，更容易将诉求文本细分为“工地噪音”。相比规则匹配，机器学习极大地降低了人工成本。然而，由于传统机器学习方法无法学习深层语义特征（例如上下文语义），因此分类准确率仍有所不足。

03神经网络

采用基于神经网络的方法识别案件类别。通过设计多层神经网络，提取案件文本的深层语义（例如上下文语义），学习案件的分类特征，识别案件内容所属类别。相较于前两类方法，这种方法准确率更高。例如，“噪音投诉”类别被细分为“工地噪音”、“生活噪音”与“商业噪音”等，传统方法对相似案件区分率低。为了改善此问题，吉奥时空提出一种改进的AI智能推荐模型，这种模型通过重点学习相似案件的不同特征，提高案件区分能力。

智能模型两阶段

为了准确识别相似案件类型，吉奥时空创建了一个智能推荐模型。该模型有两个训练阶段：常规分类训练阶段和信息增强分类训练阶段。

01普通分类训练阶段

在普通训练阶段，现有的历史数据首先被预处理为训练样本，然后被馈送给模型，以便它自主学习分类特征。这个训练阶段仍然使用经典AI分类模型，目的是训练一个能快速收敛，且具有一定分类和推荐能力的模型，并防止过拟合。

普通分类训练示意图

基于上述基础分类推荐模型，来预测现有案例，然后根据模型的预测结果生成相似类别链表。这将为下一阶段提供有效增强信息：如果预测类别与正确类别不一致，就将正确类别的信息记录到预测类别的索引中。如一个样本的预测类别为“工业噪音”，但正确类别为“生活噪音”，就将“生活噪音”记录到“工业噪音”索引下，为二次预测提供有效信息。

02信息增强分类训练阶段

在此阶段，模型首先预测样本的类别。然后，根据案件类别的相关链表，找到所有相关案件类别，并与投诉文本信息融合以生成增强类别的申诉文本信息，将其提供给模型学习。更丰富的信息使模型能够学习更好的分类特征，从而提高模型的准确性。

根据输入的投诉案例，如“天天噪音让人无法入睡，已经投诉，但已经过了一个小时仍然没有得到解决，太慢了”。AI智能推荐模型首先将投诉案例输入到预训练模型中，得到投诉案例的词向量。然后，初步预测模块基于词向量，预测案件类别为“工业噪音”。一旦确定类别，就会根据相关链表查找与工业噪音相似的类别，例如“商业噪音”、“生活噪音”等。然后，将这些相关类别的相应向量分别与投诉案例的词向量融合，从而得到增强信息的词向量组。最后，将这些词向量输入到二次预测模块，得出最终的预测结果为“生活噪音”。

工程项目强落地

目前，吉奥时空政务人工智能平台“奥思”已在武汉市民服务热线平台实践应用。话务员录入诉求内容后，“奥思”会自动推荐最优的案件类别，中间过程无需要话务员干预。如果话务员认为推荐类别不合适，系统则推荐3个最有可能的类别以供选择。通过这种方式，免去了话务员在上千个类别中查找的时间，提高“接诉即办”工作效率；也帮助了经验尚浅的话务员更快了解诉求所属，提升了市民热线的服务质量。