典型文献
基于ResNet-BiLSTM模型的电力客服工单分类研究
文献摘要：
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.
文献关键词：
客服工单;文本语义理解;残差网络;长短时记忆网络
中图分类号：
作者姓名：
黄秀彬;许世辉;赵阳;居强;何学东
作者机构：
国家电网有限公司客户服务中心,天津300306;北京中电普华信息技术有限公司,北京100031
文献出处：
引用格式：
[1]黄秀彬;许世辉;赵阳;居强;何学东-.基于ResNet-BiLSTM模型的电力客服工单分类研究)[J].电子设计工程,2022(22):179-183
A类：
电力客服工单,文本语义理解
B类：
ResNet,BiLSTM,客服工单分类,分类研究,单进,电力系统运行,运行质量,用户体验,残差卷积,卷积网络,Residual,Convolutional,Network,双向长短时记忆网络,Bilateral,Long,Short,Term,Memory,network,语义信息,单数,TextCNN,方法识别,识别准确率,残差网络
AB值：
0.245978
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
