电力客服工单数据以文本形式记录电力用户的需求信息, 合理的工单分类方法有利于准确定位用户需求, 提升电力系统的运行效率. 针对工单数据特征稀疏、依赖性强等问题, 本文对基于字符级嵌入的长短时记忆网络(Bidirectional Long Short-Term Memory network, BiLSTM)和卷积神经网络(Convolution Neural Network, CNN)组合的结构模型进行优化. 该模型首先对Word2Vec模型训练的词向量进行降噪处理, 得到文本的特征表示; 其次, 利用BiLSTM网络递归地学习文本的时序信息, 提取句子特征信息; 再输入到双通道池化的CNN网络中, 进行局部的特征提取. 通过在真实客服工单数据集上的测试实验, 验证了该模型在客服工单分类任务上的具有较好的精确性和鲁棒性.
