本發(fā)明屬于數(shù)據(jù)處理領(lǐng)域，特別是涉及一種工單審核方法、裝置、電子設(shè)備及可讀存儲介質(zhì)。

背景技術(shù)：

1、隨著新一輪科技革命的興起，網(wǎng)絡(luò)通信作為“新基建”的核心技術(shù)，驅(qū)動著運營商網(wǎng)絡(luò)規(guī)模的不斷擴大。特別是5g通信技術(shù)的迅猛發(fā)展和廣泛應(yīng)用，使得網(wǎng)絡(luò)架構(gòu)的復(fù)雜性顯著提高。在這一背景下，運營商網(wǎng)絡(luò)運維工單的數(shù)量持續(xù)增長，對監(jiān)控維護工作提出了更高的要求。為了確保網(wǎng)絡(luò)的穩(wěn)定運行，網(wǎng)絡(luò)監(jiān)控維護部門需要根據(jù)故障等級的不同，在規(guī)定的時間段內(nèi)完成故障處理并申請結(jié)單。然而，部分涉及特殊處理需求的工單往往需要經(jīng)歷臨時掛起過程，以避免未在規(guī)定時限內(nèi)完成結(jié)單，并進(jìn)行掛單原因的合規(guī)性檢查。這一過程旨在規(guī)避決策失誤風(fēng)險，保障用戶服務(wù)體驗的優(yōu)質(zhì)穩(wěn)定。

2、傳統(tǒng)工單掛起審核流程依賴人工執(zhí)行，通常由指定的團隊或人員進(jìn)行工單審核。然而，這種人工審核模式存在效率低下、審核標(biāo)準(zhǔn)不統(tǒng)一等問題。此外，個人主觀判斷與經(jīng)驗差異，導(dǎo)致誤判率較高，審核成果難以量化，審核質(zhì)量參差不齊。再加上隨著業(yè)務(wù)的轉(zhuǎn)型和升級，網(wǎng)絡(luò)運維工作的復(fù)雜性不斷提升，傳統(tǒng)工單掛起審核手段已無法支撐當(dāng)前的運維工作需求，所以運維模式向智能化轉(zhuǎn)變已成為必然趨勢。

3、近年來，人工智能深度學(xué)習(xí)技術(shù)的興起為智能化運維模式提供了全新思路。智能化的掛起審核流程能夠解放大量的人力資源，并顯著提升網(wǎng)絡(luò)運維效率。然而，構(gòu)建高精度的掛起審核模型仍面臨挑戰(zhàn)?；陬A(yù)訓(xùn)練語言模型微調(diào)的文本分類算法雖能實現(xiàn)掛起動作合規(guī)性判斷，但在電信運維領(lǐng)域，因缺乏專業(yè)領(lǐng)域知識，導(dǎo)致在處理多樣的掛起原因時(如災(zāi)害隱患、市電中斷、設(shè)備更新等)，其效能受限。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種工單審核方法、裝置、電子設(shè)備及可讀存儲介質(zhì)，以便解決當(dāng)前對電信工單進(jìn)行自動掛起審核時，基于預(yù)訓(xùn)練語言模型微調(diào)的文本分類算法雖能實現(xiàn)掛起動作合規(guī)性判斷，但在電信運維領(lǐng)域，因缺乏專業(yè)領(lǐng)域知識，導(dǎo)致在處理多樣的掛起原因時(如災(zāi)害隱患、市電中斷、設(shè)備更新等)，其效能受限的問題。

2、為了解決上述技術(shù)問題，本發(fā)明是這樣實現(xiàn)的：

3、第一方面，本發(fā)明提供一種工單審核方法，所述方法包括：

4、獲取關(guān)于通信領(lǐng)域的知識庫和指定工單，其中，所述知識庫包括若干項知識庫條目，所述指定工單中包括若干關(guān)鍵實體詞；

5、將所述指定工單輸入預(yù)設(shè)的通用預(yù)訓(xùn)練語言模型，獲取所述指定工單在預(yù)訓(xùn)練語言模型的隱藏層中的第一隱藏層特征；

6、將所述關(guān)鍵實體詞在所述知識庫中檢索，獲取關(guān)于所述關(guān)鍵實體詞的目標(biāo)項知識庫條目；

7、將所述目標(biāo)項知識庫條目輸入通過所述知識庫預(yù)先訓(xùn)練的領(lǐng)域知識預(yù)訓(xùn)練語言模型，獲取所述目標(biāo)項知識庫條目在領(lǐng)域知識預(yù)訓(xùn)練語言模型的隱藏層中的第二隱藏層特征；

8、通過將所述第一隱藏層特征和所述第二隱藏層特征融合，獲取目標(biāo)隱藏層特征；

9、通過所述目標(biāo)隱藏層特征，確定所述指定工單所屬的目標(biāo)審核場景類別。

10、可選的，在所述獲取關(guān)于通信領(lǐng)域的知識庫和指定工單之前，還包括：

11、獲取關(guān)于通信領(lǐng)域的若干原始工單；

12、針對任一所述原始工單，通過預(yù)設(shè)的大語言模型和預(yù)設(shè)提示工程框架，從所述原始工單中提取實體詞，關(guān)于實體詞的實體描述和實體類型；

13、將所述實體詞，關(guān)于實體詞的實體描述和實體類型按照預(yù)設(shè)格式存儲，得到關(guān)于所述實體詞的一項知識庫條目。

14、可選的，在所述獲取關(guān)于通信領(lǐng)域的知識庫和指定工單之后，還包括：

15、針對任一項知識庫條目，從所述知識庫條目中獲取目標(biāo)實體詞；

16、將所述目標(biāo)實體詞中預(yù)先選定的詞元用掩碼標(biāo)記替代；

17、將所述替代操作后的所述知識庫條目輸入領(lǐng)域知識預(yù)訓(xùn)練語言模型，獲取第一語句級向量；

18、將所述第一語句級向量投影至預(yù)設(shè)詞匯表空間，獲取關(guān)于所述預(yù)先選定的詞元的預(yù)測結(jié)果。

19、可選的，在所述將所述第一語句級向量進(jìn)行投影，獲取關(guān)于所述預(yù)先選定的詞元的預(yù)測結(jié)果之后，還包括：

20、通過預(yù)設(shè)的損失函數(shù)，確定關(guān)于所述預(yù)先選定的詞元的預(yù)測結(jié)果和所述預(yù)先選定的詞元的第一損失值；

21、若所述第一損失值大于預(yù)設(shè)值，則對所述領(lǐng)域知識預(yù)訓(xùn)練語言模型內(nèi)的模型參數(shù)進(jìn)行更新；

22、通過模型參數(shù)更新后的所述領(lǐng)域知識預(yù)訓(xùn)練語言模型，獲取關(guān)于所述預(yù)先選定的詞元的預(yù)測結(jié)果和所述預(yù)先選定的詞元的第二損失值；

23、若所述第二損失值小于預(yù)設(shè)值，則將更新后的所述模型參數(shù)確定為所述領(lǐng)域知識預(yù)訓(xùn)練語言模型中的目標(biāo)模型參數(shù)。

24、可選的，所述通過將所述第一隱藏層特征和所述第二隱藏層特征融合，獲取目標(biāo)隱藏層特征，包括：

25、將所述第一隱藏層特征作為注意力機制中的查詢條件，同時將所述第二隱藏層特征作為注意力機制中的鍵和值；

26、針對任一隱藏層，將所述查詢條件和所述鍵進(jìn)行比對，獲取比對結(jié)果；

27、通過所述比對結(jié)果，確定所述隱藏層的注意力權(quán)重，其中，不同的比對結(jié)果對應(yīng)的注意力權(quán)重不同；

28、通過所述注意力權(quán)重從所述值中提取目標(biāo)特征；

29、將所述目標(biāo)特征與所述第一隱藏層特征進(jìn)行融合，獲取目標(biāo)隱藏層特征。

30、可選的，在所述通過所述目標(biāo)隱藏層特征，確定所述指定工單所屬的目標(biāo)審核場景類別之前，還包括：

31、獲取若干不同的掛起審核場景類別；

32、獲取所述掛起審核場景類別的數(shù)量和特征向量；

33、通過所述掛起審核場景類別的數(shù)量和特征向量，生成多維映射空間，其中，所述多維映射空間的維度是通過所述掛起審核場景類別的數(shù)量確定的。

34、可選的，所述通過所述目標(biāo)隱藏層特征，確定所述指定工單所屬的目標(biāo)審核場景類別，包括：

35、通過預(yù)設(shè)算子，獲取所述目標(biāo)隱藏層特征的第二語句級向量；

36、將所述第二語句級向量投影至所述多維映射空間，獲取所述指定工單屬于所述掛起審核場景類別的概率值；

37、若任一所述概率值大于預(yù)設(shè)閾值，則將所述概率值對應(yīng)的掛起審核場景類別確定為所述指定工單所屬的目標(biāo)審核場景類別；

38、若所述概率值均小于預(yù)設(shè)閾值，則確定所述指定工單屬于非掛起審核場景類別。

39、第二方面，本發(fā)明提供一種工單審核裝置，所述裝置包括：

40、第一獲取模塊，用于獲取關(guān)于通信領(lǐng)域的知識庫和指定工單，其中，所述知識庫包括若干項知識庫條目，所述指定工單中包括若干關(guān)鍵實體詞；

41、第二獲取模塊，用于將所述指定工單輸入預(yù)設(shè)的通用預(yù)訓(xùn)練語言模型，獲取所述指定工單在預(yù)訓(xùn)練語言模型的隱藏層中的第一隱藏層特征；

42、第三獲取模塊，用于將所述關(guān)鍵實體詞在所述知識庫中檢索，獲取關(guān)于所述關(guān)鍵實體詞的目標(biāo)項知識庫條目；

43、第四獲取模塊，用于將所述目標(biāo)項知識庫條目輸入通過所述知識庫預(yù)先訓(xùn)練的領(lǐng)域知識預(yù)訓(xùn)練語言模型，獲取所述目標(biāo)項知識庫條目在領(lǐng)域知識預(yù)訓(xùn)練語言模型的隱藏層中的第二隱藏層特征；

44、第五獲取模塊，用于通過將所述第一隱藏層特征和所述第二隱藏層特征融合，獲取目標(biāo)隱藏層特征；

45、第一確定模塊，用于通過所述目標(biāo)隱藏層特征，確定所述指定工單所屬的目標(biāo)審核場景類別。

46、第三方面，本發(fā)明提供一種電子設(shè)備，包括：收發(fā)機、存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的程序；

47、所述處理器，用于讀取存儲器中的程序?qū)崿F(xiàn)執(zhí)行上述任一所述的工單審核方法。

48、第四方面，本發(fā)明提供一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有指令，當(dāng)其在計算機上運行時，使得計算機執(zhí)行上述任一所述的工單審核方法。

49、在本技術(shù)中，獲取關(guān)于通信領(lǐng)域的知識庫和指定工單，其中，知識庫包括若干項知識庫條目，指定工單中包括若干關(guān)鍵實體詞，將指定工單輸入預(yù)設(shè)的通用預(yù)訓(xùn)練語言模型，獲取指定工單在預(yù)訓(xùn)練語言模型的隱藏層中的第一隱藏層特征；將關(guān)鍵實體詞在知識庫中檢索，獲取關(guān)于關(guān)鍵實體詞的目標(biāo)項知識庫條目；將目標(biāo)項知識庫條目輸入通過知識庫預(yù)先訓(xùn)練的領(lǐng)域知識預(yù)訓(xùn)練語言模型，獲取目標(biāo)項知識庫條目在領(lǐng)域知識預(yù)訓(xùn)練語言模型的隱藏層中的第二隱藏層特征；通過將第一隱藏層特征和第二隱藏層特征融合，獲取目標(biāo)隱藏層特征，通過將兩個模型的特征融合，有效促進(jìn)了兩個模型間的知識傳遞和特征融合，實現(xiàn)了跨模型的知識注入，進(jìn)一步增強了模型對特定領(lǐng)域知識的理解和應(yīng)用能力，通過目標(biāo)隱藏層特征，確定指定工單所屬的目標(biāo)審核場景類別，有效提升了模型對于掛起審核場景的預(yù)測準(zhǔn)確性，從而確保了自動化掛起審核過程的高效性和可靠性。本技術(shù)在使用通用預(yù)訓(xùn)練語言模型的基礎(chǔ)上，結(jié)合使用預(yù)先根據(jù)通信領(lǐng)域的知識庫訓(xùn)練的領(lǐng)域知識預(yù)訓(xùn)練語言模型，一同對指定工單進(jìn)行掛起審核，避免在電信運維領(lǐng)域，因缺乏專業(yè)領(lǐng)域知識，導(dǎo)致在處理多樣的掛起原因時(如災(zāi)害隱患、市電中斷、設(shè)備更新等)，其效能受限，有效提升了對于掛起審核場景的預(yù)測準(zhǔn)確性，從而確保了自動化掛起審核過程的高效性和可靠性。