一种工单的自动处理方法及装置与流程

1.本技术涉及人工智能领域，可以用于金融领域，具体是一种工单的自动处理方法及装置。

背景技术：

2.金融业务领域中的工单主要是指：由金融机构业务部门提出的，用以解决业务处理过程中出现的各种问题的单据。一般地，金融业务系统的运维人员及开发人员会根据工单的内容协助分析解决相应的问题。
3.目前，为了对工单进行处理，运维人员需要阅读工单中记载的内容，并根据该内容编写对应的结构化查询语句。考虑到工单所涉及的业务场景多种多样，运维人员需要编写不同场景下的工单结构化查询语句来满足工单处理需求。因此，运维人员往往面临巨大的结构化查询语句的编写压力。目前，暂无一种高效的方法，能够根据工单内容自动生成对应的结构化查询语句，并对工单进行自动化处理的方法。

技术实现要素：

4.针对现有技术中的问题，本技术提供一种工单的自动处理方法及装置，能够能够根据工单类别自动进行工单处理。
5.为解决上述技术问题，本技术提供以下技术方案：
6.第一方面，本技术提供一种工单的自动处理方法，包括：
7.根据预设的工单类别对获取的工单描述信息进行处理，得到各工单类别对应的工单词片；所述工单描述信息用于描述待处理工单；
8.按照所述工单词片所属的工单类别将所述工单词片输入对应的结构化查询语句生成模型，得到对应的结构化查询句段；其中，所述结构化查询语句生成模型根据历史工单描述信息及历史结构化查询句段训练得到；
9.拼接所述结构化查询句段得到结构化查询语句，并将所述结构化查询语句输入至数据库执行，以对所述待处理工单进行处理。
10.进一步地，所述根据预设的工单类别对获取的工单描述信息进行处理，得到各工单类别对应的工单词片，包括：
11.对所述工单描述信息进行分词处理，得到对应的分词处理结果；
12.根据所述工单类别对应的关键词对所述分词处理结果进行分类处理，得到各工单类别对应的工单词片；所述工单类别包括聚合类别、选择类别及条件类别。
13.进一步地，所述结构化查询语句生成模型包括聚合语句生成模型；训练所述聚合语句生成模型的步骤，包括：
14.将所述历史工单描述信息中属于聚合类别的历史工单词片输入序列到序列模型中的编码器，得到训练编码词向量；
15.将所述训练编码词向量输入至所述序列到序列模型中的解码器，得到训练解码词
向量；
16.根据所述属于聚合类别的历史工单词片、所述训练编码词向量及所述训练解码词向量建立聚合语句生成初始模型；
17.比对所述训练解码词向量与该历史工单词片对应的所述历史结构化查询句段，并根据比对结果调整所述聚合语句生成初始模型，得到所述聚合语句生成模型。
18.进一步地，所述结构化查询语句生成模型包括选择语句生成模型；训练所述选择语句生成模型的步骤，包括：
19.将所述历史工单描述信息中属于选择类别的历史工单词片输入长短期记忆神经网络，得到训练选择句段；
20.将所述训练选择句段及该历史工单词片对应的所述历史结构化查询句段输入损失函数进行迭代训练，直至所述损失函数在训练过程中收敛，得到所述选择语句生成模型。
21.进一步地，所述结构化查询语句生成模型包括条件语句生成模型；训练所述条件语句生成模型的步骤，包括：
22.将所述历史工单描述信息中属于条件类别的历史工单词片输入原始全连接神经网络，得到对应的前向传播输出值；
23.执行如下迭代操作：将该前向传播输出值输入所述原始全连接神经网络进行反向传播，直至达到预设训练轮次和/或满足训练误差阈值后，生成所述条件语句生成模型。
24.进一步地，所述工单类别包括所述聚合类别；所述结构化查询语句生成模型包括聚合语句生成模型；所述按照所述工单词片所属的工单类别将所述工单词片输入对应的结构化查询语句生成模型，得到对应的结构化查询句段，包括：
25.将所述工单描述信息中属于聚合类别的工单词片输入所述聚合语句生成模型中的编码器，得到编码词向量；
26.将所述编码词向量输入至所述聚合语句生成模型中的解码器，得到解码词向量；
27.组合所述解码词向量，得到对应的结构化查询句段。
28.进一步地，所述工单类别包括所述选择类别；所述结构化查询语句生成模型包括选择类别语句生成模型；所述按照所述工单词片所属的工单类别将所述工单词片输入对应的结构化查询语句生成模型，得到对应的结构化查询句段，包括：
29.将所述工单描述信息中属于选择类别的工单词片输入所述选择语句生成模型，得到实际选择句段；
30.将所述实际选择句段输入所述损失函数进行迭代处理，直至所述损失函数在迭代处理过程中收敛，得到对应的结构化查询句段。
31.进一步地，所述工单类别包括所述条件类别；所述结构化查询语句生成模型包括条件类别语句生成模型；所述按照所述工单词片所属的工单类别将所述工单词片输入对应的结构化查询语句生成模型，得到对应的结构化查询句段，包括：
32.将所述工单描述信息中属于条件类别的工单词片输入所述条件语句生成模型，得到对应的实际前向传播输出值；
33.执行如下迭代操作：将该实际前向传播输出值输入所述条件语句生成模型进行反向传播，直至达到预设迭代轮次和/或满足迭代误差阈值后，得到对应的结构化查询句段。
34.进一步地，所述拼接所述结构化查询句段得到结构化查询语句，并将所述结构化
查询语句输入至数据库执行，以对所述待处理工单进行处理，包括：
35.拼接所述构化查询聚合句段、所述结构化查询选择句段及所述结构化查询条件句段，得到所述结构化查询语句；
36.基于所述数据库执行所述结构化查询语句，得到所述待处理工单的处理结果。
37.第二方面，本技术提供一种工单的自动处理装置，包括：
38.工单词片生成单元，用于根据预设的工单类别对获取的工单描述信息进行处理，得到各工单类别对应的工单词片；所述工单描述信息用于描述待处理工单；
39.查询句段生成单元，用于按照所述工单词片所属的工单类别将所述工单词片输入对应的结构化查询语句生成模型，得到对应的结构化查询句段；其中，所述结构化查询语句生成模型根据历史工单描述信息及历史结构化查询句段训练得到；
40.查询句段拼接执行单元，用于拼接所述结构化查询句段得到结构化查询语句，并将所述结构化查询语句输入至数据库执行，以对所述待处理工单进行处理。
41.进一步地，所述工单词片生成单元，包括：
42.分词处理模块，用于对所述工单描述信息进行分词处理，得到对应的分词处理结果；
43.分类处理模块，用于根据所述工单类别对应的关键词对所述分词处理结果进行分类处理，得到各工单类别对应的工单词片；所述工单类别包括聚合类别、选择类别及条件类别。
44.进一步地，所述结构化查询语句生成模型包括聚合语句生成模型；所述装置，还包括：
45.编码训练单元，用于将所述历史工单描述信息中属于聚合类别的历史工单词片输入序列到序列模型中的编码器，得到训练编码词向量；
46.解码训练单元，用于将所述训练编码词向量输入至所述序列到序列模型中的解码器，得到训练解码词向量；
47.初始聚合模型生成单元，用于根据所述属于聚合类别的历史工单词片、所述训练编码词向量及所述训练解码词向量建立聚合语句生成初始模型；
48.聚合模型生成单元，用于比对所述训练解码词向量与该历史工单词片对应的所述历史结构化查询句段，并根据比对结果调整所述聚合语句生成初始模型，得到所述聚合语句生成模型。
49.进一步地，所述结构化查询语句生成模型包括选择语句生成模型；所述装置，还包括：
50.训练句段生成单元，用于将所述历史工单描述信息中属于选择类别的历史工单词片输入长短期记忆神经网络，得到训练选择句段；
51.选择语句模型构建单元，用于将所述训练选择句段及该历史工单词片对应的所述历史结构化查询句段输入损失函数进行迭代训练，直至所述损失函数在训练过程中收敛，得到所述选择语句生成模型。
52.进一步地，所述结构化查询语句生成模型包括条件语句生成模型；所述装置，还包括：
53.前向传播单元，用于将所述历史工单描述信息中属于条件类别的历史工单词片输
入原始全连接神经网络，得到对应的前向传播输出值；
54.迭代传播单元，用于执行如下迭代操作：将该前向传播输出值输入所述原始全连接神经网络进行反向传播，直至达到预设训练轮次和/或满足训练误差阈值后，生成所述条件语句生成模型。
55.进一步地，所述工单类别包括所述聚合类别；所述结构化查询语句生成模型包括聚合语句生成模型；所述查询句段生成单元，包括：
56.实际编码模块，用于将所述工单描述信息中属于聚合类别的工单词片输入所述聚合语句生成模型中的编码器，得到编码词向量；
57.实际解码模块，用于将所述编码词向量输入至所述聚合语句生成模型中的解码器，得到解码词向量；
58.聚合句段生成模块，用于组合所述解码词向量，得到对应的结构化查询句段。
59.进一步地，所述工单类别包括所述选择类别；所述结构化查询语句生成模型包括选择类别语句生成模型；所述查询句段生成单元，包括：
60.实际选择句段生成模块，用于将所述工单描述信息中属于选择类别的工单词片输入所述选择语句生成模型，得到实际选择句段；
61.选择句段生成模块，用于将所述实际选择句段输入所述损失函数进行迭代处理，直至所述损失函数在迭代处理过程中收敛，得到对应的结构化查询句段。
62.进一步地，所述工单类别包括所述条件类别；所述结构化查询语句生成模型包括条件类别语句生成模型；所述查询句段生成单元，包括：
63.前向传播模块，用于将所述工单描述信息中属于条件类别的工单词片输入所述条件语句生成模型，得到对应的实际前向传播输出值；
64.迭代传播模块，用于执行如下迭代操作：将该实际前向传播输出值输入所述条件语句生成模型进行反向传播，直至达到预设迭代轮次和/或满足迭代误差阈值后，得到对应的结构化查询句段。
65.进一步地，所述查询句段拼接执行单元，包括：
66.查询句段拼接模块，用于拼接所述构化查询聚合句段、所述结构化查询选择句段及所述结构化查询条件句段，得到所述结构化查询语句；
67.查询句段执行模块，用于基于所述数据库执行所述结构化查询语句，得到所述待处理工单的处理结果。
68.第三方面，本技术提供一种电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述工单的自动处理方法的步骤。
69.第四方面，本技术提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述工单的自动处理方法的步骤。
70.第五方面，本技术提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述工单的自动处理方法的步骤。
71.针对现有技术中的问题，本技术提供的工单的自动处理方法及装置，能够识别自然语言描述下的工单描述信息，并将其对应的工单词片按照其所属的工单类别，输入不同的结构化查询语句生成模型进行处理，从而将工单描述信息转换为能够被计算机程序执行
的结构化查询语句，以更准确地完成对工单的处理，有效地减轻了运维人员手工编写结构化查询语句的压力，提高了工单处理的效率，简化了工单处理的流程。
附图说明
72.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
73.图1为本技术实施例中工单的自动处理方法的流程图；
74.图2为本技术实施例中得到工单词片的流程图；
75.图3为本技术实施例中训练聚合语句生成模型的步骤流程图；
76.图4为本技术实施例中训练选择语句生成模型的步骤流程图；
77.图5为本技术实施例中训练条件语句生成模型的步骤流程图；
78.图6为本技术实施例中得到结构化查询句段流程图之一；
79.图7为本技术实施例中得到结构化查询句段流程图之二；
80.图8为本技术实施例中得到结构化查询句段流程图之三；
81.图9为本技术实施例中对待处理工单进行处理的流程图；
82.图10为本技术实施例中工单的自动处理装置的结构图之一；
83.图11为本技术实施例中工单词片生成单元的结构图；
84.图12为本技术实施例中工单的自动处理装置的结构图之二；
85.图13为本技术实施例中工单的自动处理装置的结构图之三；
86.图14为本技术实施例中工单的自动处理装置的结构图之四；
87.图15为本技术实施例中查询句段生成单元的结构图之一；
88.图16为本技术实施例中查询句段生成单元的结构图之二；
89.图17为本技术实施例中查询句段生成单元的结构图之三；
90.图18为本技术实施例中查询句段拼接执行单元的结构图；
91.图19为本技术实施例中的电子设备的结构示意图；
92.图20为本技术实施例中生成工单对应的查询语句的流程图；
93.图21为本技术实施例中生成举例工单对应的查询语句的流程图。
具体实施方式
94.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
95.需要说明的是，本技术提供的工单的自动处理方法及装置，可用于金融领域，也可用于除金融领域之外的任意领域，本技术提供的工单的自动处理方法及装置的应用领域不做限定。
96.本技术技术方案中对数据的获取、存储、使用及处理等均符合国家法律法规的相
关规定。
97.一实施例中，参见图1及图20，为了能够根据工单类别自动进行工单处理，本技术提供一种工单的自动处理方法，包括：
98.s101：根据预设的工单类别对获取的工单描述信息进行处理，得到各工单类别对应的工单词片；所述工单描述信息用于描述待处理工单；
99.s102：按照所述工单词片所属的工单类别将所述工单词片输入对应的结构化查询语句生成模型，得到对应的结构化查询句段；其中，所述结构化查询语句生成模型根据历史工单描述信息及历史结构化查询句段训练得到；
100.s103：拼接所述结构化查询句段得到结构化查询语句(下文也称sql，structured query language)，并将所述结构化查询语句输入至数据库执行，以对所述待处理工单进行处理。
101.可以理解的是，本技术实施例中的“工单”可以由金融机构的业务部门提出，具体是指用以解决业务流转过程中出现的问题的描述单据。现有技术中，运维人员接收到工单后，会分析工单中记载的问题，并据此编写与其内容相对应的结构化查询语句。在编写好的结构化查询语句后，运维人员会将结构化查询语句发送至下游业务人员进行处理。其中，“问题”和/或“内容”即对应于工单描述信息。
102.然而，通过人工审核工单内容并手动编写结构化查询语句的方式处理工单，效率低下。为此，本技术提供了一种工单的自动处理方法，能够应用于上述业务场景。
103.具体地，关于步骤s101中的“根据预设的工单类别对获取的工单描述信息进行处理，得到各工单类别对应的工单词片”，需要说明的是，工单类别包括聚合类别、选择类别及条件类别三类。其中，聚合类别对应于数据库中的聚合(group by)操作，聚合操作是指对待处理工单对应的业务场景中属于同一种类的预设事务进行聚集，例如，聚合符合预设条件的各用户；选择类别对应于数据库中的选择(select)操作，选择操作是指选出符合预设条件的数据项目，例如，选择满足用户需求的条目；条件类别对应于数据库中的条件操作，条件操作是指用户限定的内容，例如，指定筛选某些特定值对应的数据条目。
104.还需说明的是，对获取的工单描述信息进行处理中的“处理”包括分词处理及分类处理，具体参见步骤s201至步骤s202的阐述。经过分词处理及分类处理后，可以得到各工单类别对应的工单词片。这些词片有些属于聚合类别，有些属于选择类别，有些属于条件类别。
105.在本技术实施例中，考虑到不同类别的工单词片具有不同的数据特征，因此对应于不同的结构化查询语句生成模型。在本技术实施例中，结构化查询语句生成模型的种类包括：聚合语句生成模型(用于处理聚合类别的工单词片)、选择语句生成模型(用于处理选择类别的工单词片)及条件语句生成模型(用于处理条件类别的工单词片)。将不同类别的工单词片输入其所对应的结构化查询语句生成模型中，可以得到对应的结构化查询句段。最后，将这些结构化查询句段拼接起来，即形成了完整的结构化查询语句。将这些完整的结构化查询语句放入实际业务数据库中执行，可以得到执行结果，这些执行结果就是工单的提出人(一般上游业务人员)所要的工单处理结果。
106.举例而言，某一工单的工单描述信息为：统计本年度1月至6月手机银行跨境专区的点击次数及点击客户数。
107.现有的工单处理方法是：当运维人员看到该工单时，需要人工编写结构化查询语句，编写的sql语句如下所示：
108.select count(*)as num,count(distinct(device_no))as cust_num from iisp.cdm_dco_r_clickinpage where func_code_in_page＝'click00000781'and dt》＝'20220601'and dt《＝'20220630'；
109.将该结构化查询语句在实际的业务数据库中执行，再将执行结果反馈给在工单的提出人(一般上游业务人员)。
110.本技术提供的处理方法是：当执行本技术提供的方法的服务器(程序)读取到管理端(客户端)页面输入的工单描述信息时，则执行步骤s101至s103，以生成该工单描述信息对应的结构化查询语句。
111.本技术提供的方法对该具体举例的处理流程参见图21所示。
112.由图21可知，该工单最终对应输出的sql语句有一条，分别为：
113.1.select count(*)as num,count(distinct(device_no))as cust_num from iisp.cdm_dco_r_clickinpage where func_code_in_page＝'click00000781'and dt》＝'20220601'and dt《＝'20220630'；
114.在上述举例中，工单不涉及聚合类别，若工单描述为：
115.统计本年度1月至6月手机银行跨境、运动两个不同专区各自的点击次数及点击客户数，则涉及根据func_code_in_page字段进行聚合，那么该工单最终对应输出的sql语句为：
116.select func_code_in_page,count(*)as num,count(distinct(device_no))as cust_num from iisp.cdm_dco_r_clickinpage where func_code_in_page in('click00000781','click00000782')and dt》＝'20220601'and dt《＝'20220630'group by func_code_in_page；
117.从上述描述可知，本技术提供的工单的自动处理方法，能够识别自然语言描述下的工单描述信息，并将其对应的工单词片按照其所属的工单类别，输入不同的结构化查询语句生成模型进行处理，从而将工单描述信息转换为能够被计算机程序执行的结构化查询语句，以更准确地完成对工单的处理，有效地减轻了运维人员手工编写结构化查询语句的压力，提高了工单处理的效率，简化了工单处理的流程。
118.一实施例中，参见图2，所述根据预设的工单类别对获取的工单描述信息进行处理，得到各工单类别对应的工单词片，包括：
119.s201：对所述工单描述信息进行分词处理，得到对应的分词处理结果；
120.s202：根据所述工单类别对应的关键词对所述分词处理结果进行分类处理，得到各工单类别对应的工单词片；所述工单类别包括聚合类别、选择类别及条件类别。
121.可以理解的是，在统计学方法中，可通过研究字/词的搭配来识别语义。由于在中文文本中没有自然的词边界，所以有必要对句子进行分词。为了对句子进行分词，需要预先建立对应业务场景下的字典。一般而言，可以将句子中的字串与字典中的最的长词进行匹配来实现分词。常用的分词工具包括但不限于jieba分词、pkuseg分词及foolnltk分词等，本技术不以此为限。
122.在进行分词后，可以得到分词处理结果，由于预先已经针对各类别设置了对应的
关键词，因此，将这些分词处理结果逐一与这些关键词进行匹配，即可确定这些分词处理结果(工单词片)属于哪个类别。
123.从上述描述可知，本技术提供的工单的自动处理方法，能够根据预设的工单类别对获取的工单描述信息进行处理，得到各工单类别对应的工单词片。
124.一实施例中，参见图3，所述结构化查询语句生成模型包括聚合语句生成模型；训练所述聚合语句生成模型的步骤，训练模型的语料部分为历史的各工单查询部分的文字描述以及各工单查询部分的sql语句表示，包括：
125.s301：将所述历史工单描述信息中属于聚合类别的历史工单词片输入序列到序列模型中的编码器，得到训练编码词向量；
126.s302：将所述训练编码词向量输入至所述序列到序列模型中的解码器，得到训练解码词向量；
127.s303：根据所述属于聚合类别的历史工单词片、所述训练编码词向量及所述训练解码词向量建立聚合语句生成初始模型；
128.s304：比对所述训练解码词向量与该历史工单词片对应的所述历史结构化查询句段，并根据比对结果调整所述聚合语句生成初始模型，得到所述聚合语句生成模型。
129.举例如下：
130.工单的描述信息为：“统计本年度1月至6月手机银行跨境专区、运动专区两个专区各自的点击次数及点击客户数”。将聚合部分的文本表示以及全量的文本数据信息向量化后输入模型。以聚合部分的文本表示为例，则将“手机银行跨境、运动两个不同专区”文本数据分词且过滤后的工单词片信息如下“手机银行跨境专区运动专区”，将文本向量后表示为二进制的数据格式，例如:“010011001...”。将二进制的数据输入seq2seq模型的编码器(encoder)，输出编码词向量，也为二进制的表现格式，将编码词向量输入seq2seq模型的解码器(decoder)，输出解码词向量。对解码后的向量解析，获得对应的sql语句。
131.另：在模型的训练过程中，获得解码词向量后与训练文本对应的词向量后的sql文本进行对比，最小化损失函数，得到的结果为模型的训练结果，并保存。
132.从上述描述可知，本技术提供的工单的自动处理方法，能够训练得到聚合语句生成模型。
133.一实施例中，参见图6，所述工单类别包括所述聚合类别；所述结构化查询语句生成模型包括聚合语句生成模型；所述按照所述工单词片所属的工单类别将所述工单词片输入对应的结构化查询语句生成模型，得到对应的结构化查询句段，包括：
134.s601：将所述工单描述信息中属于聚合类别的工单词片输入所述聚合语句生成模型中的编码器，得到编码词向量；
135.s602：将所述编码词向量输入至所述聚合语句生成模型中的解码器，得到解码词向量；
136.s603：组合所述解码词向量，得到对应的结构化查询句段。
137.具体实施时，是将所述工单描述信息中属于聚合类别的工单词片输入词向量生成模型中，得到编码词向量；将所述编码词向量输入至所述聚合语句生成模型中，得到聚合部分的sql语句；组合所述聚合部分的sql语句，即为对应的结构化查询句段。
138.步骤s601至s603为聚合语句生成模型的使用步骤，需要将向量化的工单词片分别
输入seq2seq模型的编码器和解码器，获得sql语句。
139.从上述描述可知，本技术提供的工单的自动处理方法，能够按照所述工单词片所属的工单类别将所述工单词片输入对应的结构化查询语句生成模型，得到对应的结构化查询句段。
140.一实施例中，参见图4，所述结构化查询语句生成模型包括选择语句生成模型；训练所述选择语句生成模型的步骤，包括：
141.s401：将所述历史工单描述信息中属于选择类别的历史工单词片向量化后输入长短期记忆神经网络，得到训练选择句段；
142.s402：将所述训练选择句段及该历史工单词片对应的所述历史结构化查询句段输入损失函数进行迭代训练，直至所述损失函数在训练过程中收敛，得到所述选择语句生成模型。
143.举例如下：
144.工单的描述信息为：“统计本年度1月至6月手机银行跨境专区、运动专区两个专区各自的点击次数及点击客户数”。将工单描述信息以及选择部分的文本信息输入长短期记忆神经网络中。以工单描述信息为例，分词后的数据表示为“统计本年度1月至6月手机银行跨境专区运动专区两个专区各自的点击次数及点击客户数”。过滤后的文本数据为“本年度1月至6月手机银行跨境专区运动专区点击次数点击客户数”。将文本数据向量化后表示为二进制的格式，如：“000101111....”，将向量化的数据输入lstm模型，模型通过状态计算，并与工单文本对应的sql语句中select部分的向量化的结果不断对比，不断的更新损失函数，直至其达到最小化，获得模型的训练结果，并保存。
145.从上述描述可知，本技术提供的工单的自动处理方法，能够训练得到选择语句生成模型。
146.一实施例中，参见图7，所述工单类别包括所述选择类别；所述结构化查询语句生成模型包括选择类别语句生成模型；所述按照所述工单词片所属的工单类别将所述工单词片输入对应的结构化查询语句生成模型，得到对应的结构化查询句段，包括：
147.s701：将所述工单描述信息中属于选择类别的工单词片向量化后输入所述选择语句生成模型；
148.s702：将所述实际选择句段输入所述损失函数进行迭代处理，直至所述损失函数在迭代处理过程中收敛，得到对应的结构化查询句段。
149.具体实施时，模型经多轮迭代，直至所述损失函数在迭代处理过程中收敛，得到对应的结构化查询语句中选择部分的sql语句内容。
150.s701、s702为模型的使用部分，将分词并向量化的工单描述文本输入保存的lstm模型中，输出其对应的sql文本。
151.从上述描述可知，本技术提供的工单的自动处理方法，能够按照所述工单词片所属的工单类别将所述工单词片输入对应的结构化查询语句生成模型，得到对应的结构化查询句段。
152.一实施例中，参见图5，所述结构化查询语句生成模型包括条件语句生成模型；训练所述条件语句生成模型的步骤，包括：
153.s501：将所述历史工单描述信息中属于条件类别的历史工单词片向量化后输入原
iisp.cdm_dco_r_clickinpage where func_code_in_page＝'click00000781'and dt》＝'20220601'and dt《＝'20220630'；
170.具体实施时，还可以将完整的结构化查询语句保存到数据库中，保存的数据表格式如下：
171.问题描述id结构化查询语句问题1sql语句问题2sql语句问题3sql语句
172.最后，在实际业务数据库中执行生成的结构化查询语句，并展示在管理端(客户端)页面对应的工单问题描述的下方。
173.为了更好地说明本技术提供的方法，现将完整的流程呈现如下：
174.1.上游业务人员可以在管理端页面输入工单描述信息，也可包括各项数据，例如统计项、过滤项及其他等内容。
175.上游业务人员输入完成后，点击生成sql的按钮，以触发程序执行下述3-16步。其中，若上游业务人员不点击生成sql的按钮，也可以手动编写sql并上传至管理端。
176.2.上游业务人员输入完成后，系统将前述输入内容保存在数据库中，数据表的格式如下：
177.用户id问题描述id问题描述创建时间用户1问题1问题内容yyyy/mm/dd...
ꢀꢀꢀ
178.对问题描述进行文本解析：
179.3.本技术实施例的执行主体(可以是服务器)读取数据库中的问题描述字段(工单描述信息)。
180.4.本技术实施例的执行主体调用分词工具对问题描述中的文本内容进行分词处理。
181.例如，工单描述信息为：统计手机银行运动专区的点击次数；时间范围是：2021年全年。统计项用户输入为：点击次数；过滤项输入为：2021年全年；其他输入为：手机银行运动专区。
182.分词后的问题描述为：
183.统计手机银行运动专区的点击次数时间范围2021年全年
184.5.本技术实施例的执行主体按照预设的关键词，对前述工单分词(包括统计手机银行运动专区的点击次数时间范围2021年全年)进行分类。
185.例如，规则可以是：遇到“条件”则认为后面的内容是条件部分，遇到“统计”则任务后面内容一般为选择部分，遇到“年月”则一般为条件部分等。
186.分类结果如下：
187.条件部分：2021年、手机银行、运动专区
188.选择部分：点击次数
189.6.本技术实施例的执行主体将分词后的数据保存到数据库中，数据表格式如下，若用户直接在管理端页面输入了统计项、过滤项、其他等信息，则可以直接保存在如下数据
表中。
190.问题描述id聚合部分条件部分选择部分问题1点击人次运动专区2021年全年...
ꢀꢀꢀ
191.进行聚合解析：
192.7.可以使用python语言编写训练后的seq2seq模型(具体的建模过程参见前述)。
193.8.本技术实施例的执行主体读取数据库中问题描述id对应的聚合部分字段，调用训练后的seq2seq模型(实际为聚合语句生成模型)实现解析。
194.进行选择解析：
195.9.可以使用python语言编写训练后的lstm模型(实际为选择语句生成模型)。
196.10.本技术实施例的执行主体读取数据库中问题描述id对应的选择部分字段，调用训练后的lstm模型实现解析。
197.针对以上例子，本技术实施例的执行主体读取到点击次数，输出count(*)。
198.进行条件解析：
199.11.可以使用python语言编写强化学习模型(实际为条件语句生成模型)。
200.12.本技术实施例的执行主体可以在数据库铺底常见的选择项以及其对应的编码，数据表如下：
201.功能编码运动专区click00000782... 202.13.本技术实施例的执行主体读取数据库中问题描述id对应的条件部分字段，调用强化学习模型实现解析。
203.针对以上例子，读取到2021年、手机银行、运动专区，输出dt《＝20210101and dt》＝20211231and func_code_in_page＝click00000782。
204.进行语句拼接：
205.14.可以编写程序实现完整sql的拼接。
206.15.编写程序实现将完整的sql保存到数据库中，保存的数据表格式如下：
207.问题描述idsql语句问题1sql语句内容问题2sql语句内容... 208.16.将拼接完成的sql语句展示在管理端
209.17.本技术实施例的执行主体从管理端查看sql并执行，然后将执行结果展示在管理端(客户端)页面对应的问题描述的下方，完成对工单的处理。
210.基于同一发明构思，本技术实施例还提供了一种工单的自动处理装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于工单的自动处理装置解决问题的原理与工单的自动处理方法相似，因此工单的自动处理装置的实施可以参见基于软件性能基准确定方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实
现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
211.一实施例中，参见图10，为了能够根据工单类别自动进行工单处理，本技术提供一种工单的自动处理装置，包括：
212.工单词片生成单元1001，用于根据预设的工单类别对获取的工单描述信息进行处理，得到各工单类别对应的工单词片；所述工单描述信息用于描述待处理工单；
213.查询句段生成单元1002，用于按照所述工单词片所属的工单类别将所述工单词片输入对应的结构化查询语句生成模型，得到对应的结构化查询句段；其中，所述结构化查询语句生成模型根据历史工单描述信息及历史结构化查询句段训练得到；
214.查询句段拼接执行单元1003，用于拼接所述结构化查询句段得到结构化查询语句，并将所述结构化查询语句输入至数据库执行，以对所述待处理工单进行处理。
215.一实施例中，参见图11，所述工单词片生成单元1001，包括：
216.分词处理模块1101，用于对所述工单描述信息进行分词处理，得到对应的分词处理结果；
217.分类处理模块1102，用于根据所述工单类别对应的关键词对所述分词处理结果进行分类处理，得到各工单类别对应的工单词片；所述工单类别包括聚合类别、选择类别及条件类别。
218.一实施例中，参见图12，所述结构化查询语句生成模型包括聚合语句生成模型；所述装置，还包括：
219.编码训练单元1201，用于将所述历史工单描述信息中属于聚合类别的历史工单词片输入序列到序列模型中的编码器，得到训练编码词向量；
220.解码训练单元1202，用于将所述训练编码词向量输入至所述序列到序列模型中的解码器，得到训练解码词向量；
221.初始聚合模型生成单元1203，用于根据所述属于聚合类别的历史工单词片、所述训练编码词向量及所述训练解码词向量建立聚合语句生成初始模型；
222.聚合模型生成单元1204，用于比对所述训练解码词向量与该历史工单词片对应的所述历史结构化查询句段，并根据比对结果调整所述聚合语句生成初始模型，得到所述聚合语句生成模型。
223.一实施例中，参见图13，所述结构化查询语句生成模型包括选择语句生成模型；所述装置，还包括：
224.训练句段生成单元1301，用于将所述历史工单描述信息中属于选择类别的历史工单词片输入长短期记忆神经网络，得到训练选择句段；
225.选择语句模型构建单元1302，用于将所述训练选择句段及该历史工单词片对应的所述历史结构化查询句段输入损失函数进行迭代训练，直至所述损失函数在训练过程中收敛，得到所述选择语句生成模型。
226.一实施例中，参见图14，所述结构化查询语句生成模型包括条件语句生成模型；所述装置，还包括：
227.前向传播单元1401，用于将所述历史工单描述信息中属于条件类别的历史工单词片输入原始全连接神经网络，得到对应的前向传播输出值；
228.迭代传播单元1402，用于执行如下迭代操作：将该前向传播输出值输入所述原始全连接神经网络进行反向传播，直至达到预设训练轮次和/或满足训练误差阈值后，生成所述条件语句生成模型。
229.一实施例中，参见图15，所述工单类别包括所述聚合类别；所述结构化查询语句生成模型包括聚合语句生成模型；所述查询句段生成单元1002，包括：
230.实际编码模块1501，用于将所述工单描述信息中属于聚合类别的工单词片输入所述聚合语句生成模型中的编码器，得到编码词向量；
231.实际解码模块1502，用于将所述编码词向量输入至所述聚合语句生成模型中的解码器，得到解码词向量；
232.聚合句段生成模块1503，用于组合所述解码词向量，得到对应的结构化查询句段。
233.一实施例中，参见图16，所述工单类别包括所述选择类别；所述结构化查询语句生成模型包括选择类别语句生成模型；所述查询句段生成单元1002，包括：
234.实际选择句段生成模块1601，用于将所述工单描述信息中属于选择类别的工单词片输入所述选择语句生成模型，得到实际选择句段；
235.选择句段生成模块1602，用于将所述实际选择句段输入所述损失函数进行迭代处理，直至所述损失函数在迭代处理过程中收敛，得到对应的结构化查询句段。
236.一实施例中，参见图17，所述工单类别包括所述条件类别；所述结构化查询语句生成模型包括条件类别语句生成模型；所述查询句段生成单元1002，包括：
237.前向传播模块1701，用于将所述工单描述信息中属于条件类别的工单词片输入所述条件语句生成模型，得到对应的实际前向传播输出值；
238.迭代传播模块1702，用于执行如下迭代操作：将该实际前向传播输出值输入所述条件语句生成模型进行反向传播，直至达到预设迭代轮次和/或满足迭代误差阈值后，得到对应的结构化查询句段。
239.一实施例中，参见图18，所述查询句段拼接执行单元1003，包括：
240.查询句段拼接模块1801，用于拼接所述构化查询聚合句段、所述结构化查询选择句段及所述结构化查询条件句段，得到所述结构化查询语句；
241.查询句段执行模块1802，用于基于所述数据库执行所述结构化查询语句，得到所述待处理工单的处理结果。
242.从硬件层面来说，为了能够根据工单类别自动进行工单处理，本技术提供一种用于实现所述工单的自动处理方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
243.处理器(processor)、存储器(memory)、通讯接口(communications interface)和总线；其中，所述处理器、存储器、通讯接口通过所述总线完成相互间的通讯；所述通讯接口用于实现所述工单的自动处理装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该逻辑控制器可以参照实施例中的工单的自动处理方法的实施例，以及工单的自动处理装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
244.可以理解的是，所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(pda)、车载设备、智能穿戴设备等。其中，所述智能穿
戴设备可以包括智能眼镜、智能手表、智能手环等。
245.在实际应用中，工单的自动处理方法的部分可以在如上述内容所述的电子设备侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本技术对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。
246.上述的客户端设备可以具有通讯模块(即通讯单元)，可以与远程的服务器进行通讯连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通讯链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集，或者分布式装置的服务器结构。
247.图19为本技术实施例的电子设备9600的系统构成的示意框图。如图19所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图19是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
248.一实施例中，工单的自动处理方法功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：
249.s101：根据预设的工单类别对获取的工单描述信息进行处理，得到各工单类别对应的工单词片；所述工单描述信息用于描述待处理工单；
250.s102：按照所述工单词片所属的工单类别将所述工单词片输入对应的结构化查询语句生成模型，得到对应的结构化查询句段；其中，所述结构化查询语句生成模型根据历史工单描述信息及历史结构化查询句段训练得到；
251.s103：拼接所述结构化查询句段得到结构化查询语句，并将所述结构化查询语句输入至数据库执行，以对所述待处理工单进行处理。
252.从上述描述可知，本技术提供的工单的自动处理方法及装置，能够识别自然语言描述下的工单描述信息，并将其对应的工单词片按照其所属的工单类别，输入不同的结构化查询语句生成模型进行处理，从而将工单描述信息转换为能够被计算机程序执行的结构化查询语句，以更准确地完成对工单的处理，有效地减轻了运维人员手工编写结构化查询语句的压力，提高了工单处理的效率，简化了工单处理的流程。
253.在另一个实施方式中，工单的自动处理装置可以与中央处理器9100分开配置，例如可以将数据复合传输装置工单的自动处理装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现工单的自动处理方法的功能。
254.如图19所示，该电子设备9600还可以包括：通讯模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图19中所示的所有部件；此外，电子设备9600还可以包括图19中没有示出的部件，可以参考现有技术。
255.如图19所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
256.其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非
易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
257.输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。
258.该存储器9140可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为eprom等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
259.存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通讯功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
260.通讯模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通讯模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通讯终端的情况相同。
261.基于不同的通讯技术，在同一电子设备中，可以设置有多个通讯模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通讯模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
262.本技术的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的工单的自动处理方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的工单的自动处理方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
263.s101：根据预设的工单类别对获取的工单描述信息进行处理，得到各工单类别对应的工单词片；所述工单描述信息用于描述待处理工单；
264.s102：按照所述工单词片所属的工单类别将所述工单词片输入对应的结构化查询语句生成模型，得到对应的结构化查询句段；其中，所述结构化查询语句生成模型根据历史工单描述信息及历史结构化查询句段训练得到；
265.s103：拼接所述结构化查询句段得到结构化查询语句，并将所述结构化查询语句输入至数据库执行，以对所述待处理工单进行处理。
266.从上述描述可知，本技术提供的工单的自动处理方法及装置，能够识别自然语言
描述下的工单描述信息，并将其对应的工单词片按照其所属的工单类别，输入不同的结构化查询语句生成模型进行处理，从而将工单描述信息转换为能够被计算机程序执行的结构化查询语句，以更准确地完成对工单的处理，有效地减轻了运维人员手工编写结构化查询语句的压力，提高了工单处理的效率，简化了工单处理的流程。
267.本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
268.本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
269.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
270.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
271.本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：

1.一种工单的自动处理方法，其特征在于，包括：根据预设的工单类别对获取的工单描述信息进行处理，得到各工单类别对应的工单词片；所述工单描述信息用于描述待处理工单；按照所述工单词片所属的工单类别将所述工单词片输入对应的结构化查询语句生成模型，得到对应的结构化查询句段；其中，所述结构化查询语句生成模型根据历史工单描述信息及历史结构化查询句段训练得到；拼接所述结构化查询句段得到结构化查询语句，并将所述结构化查询语句输入至数据库执行，以对所述待处理工单进行处理。2.根据权利要求1所述的工单的自动处理方法，其特征在于，所述根据预设的工单类别对获取的工单描述信息进行处理，得到各工单类别对应的工单词片，包括：对所述工单描述信息进行分词处理，得到对应的分词处理结果；根据所述工单类别对应的关键词对所述分词处理结果进行分类处理，得到各工单类别对应的工单词片；所述工单类别包括聚合类别、选择类别及条件类别。3.根据权利要求1所述的工单的自动处理方法，其特征在于，所述结构化查询语句生成模型包括聚合语句生成模型；训练所述聚合语句生成模型的步骤，包括：将所述历史工单描述信息中属于聚合类别的历史工单词片输入序列到序列模型中的编码器，得到训练编码词向量；将所述训练编码词向量输入至所述序列到序列模型中的解码器，得到训练解码词向量；根据所述属于聚合类别的历史工单词片、所述训练编码词向量及所述训练解码词向量建立聚合语句生成初始模型；比对所述训练解码词向量与该历史工单词片对应的所述历史结构化查询句段，并根据比对结果调整所述聚合语句生成初始模型，得到所述聚合语句生成模型。4.根据权利要求1所述的工单的自动处理方法，其特征在于，所述结构化查询语句生成模型包括选择语句生成模型；训练所述选择语句生成模型的步骤，包括：将所述历史工单描述信息中属于选择类别的历史工单词片输入长短期记忆神经网络，得到训练选择句段；将所述训练选择句段及该历史工单词片对应的所述历史结构化查询句段输入损失函数进行迭代训练，直至所述损失函数在训练过程中收敛，得到所述选择语句生成模型。5.根据权利要求1所述的工单的自动处理方法，其特征在于，所述结构化查询语句生成模型包括条件语句生成模型；训练所述条件语句生成模型的步骤，包括：将所述历史工单描述信息中属于条件类别的历史工单词片输入原始全连接神经网络，得到对应的前向传播输出值；执行如下迭代操作：将该前向传播输出值输入所述原始全连接神经网络进行反向传播，直至达到预设训练轮次和/或满足训练误差阈值后，生成所述条件语句生成模型。6.根据权利要求3所述的工单的自动处理方法，其特征在于，所述工单类别包括所述聚合类别；所述结构化查询语句生成模型包括聚合语句生成模型；所述按照所述工单词片所属的工单类别将所述工单词片输入对应的结构化查询语句生成模型，得到对应的结构化查询句段，包括：
将所述工单描述信息中属于聚合类别的工单词片输入所述聚合语句生成模型中的编码器，得到编码词向量；将所述编码词向量输入至所述聚合语句生成模型中的解码器，得到解码词向量；组合所述解码词向量，得到对应的结构化查询句段。7.根据权利要求4所述的工单的自动处理方法，其特征在于，所述工单类别包括所述选择类别；所述结构化查询语句生成模型包括选择类别语句生成模型；所述按照所述工单词片所属的工单类别将所述工单词片输入对应的结构化查询语句生成模型，得到对应的结构化查询句段，包括：将所述工单描述信息中属于选择类别的工单词片输入所述选择语句生成模型，得到实际选择句段；将所述实际选择句段输入所述损失函数进行迭代处理，直至所述损失函数在迭代处理过程中收敛，得到对应的结构化查询句段。8.根据权利要求5所述的工单的自动处理方法，其特征在于，所述工单类别包括所述条件类别；所述结构化查询语句生成模型包括条件类别语句生成模型；所述按照所述工单词片所属的工单类别将所述工单词片输入对应的结构化查询语句生成模型，得到对应的结构化查询句段，包括：将所述工单描述信息中属于条件类别的工单词片输入所述条件语句生成模型，得到对应的实际前向传播输出值；执行如下迭代操作：将该实际前向传播输出值输入所述条件语句生成模型进行反向传播，直至达到预设迭代轮次和/或满足迭代误差阈值后，得到对应的结构化查询句段。9.根据权利要求8所述的工单的自动处理方法，其特征在于，所述拼接所述结构化查询句段得到结构化查询语句，并将所述结构化查询语句输入至数据库执行，以对所述待处理工单进行处理，包括：拼接所述构化查询聚合句段、所述结构化查询选择句段及所述结构化查询条件句段，得到所述结构化查询语句；基于所述数据库执行所述结构化查询语句，得到所述待处理工单的处理结果。10.一种工单的自动处理装置，其特征在于，包括：工单词片生成单元，用于根据预设的工单类别对获取的工单描述信息进行处理，得到各工单类别对应的工单词片；所述工单描述信息用于描述待处理工单；查询句段生成单元，用于按照所述工单词片所属的工单类别将所述工单词片输入对应的结构化查询语句生成模型，得到对应的结构化查询句段；其中，所述结构化查询语句生成模型根据历史工单描述信息及历史结构化查询句段训练得到；查询句段拼接执行单元，用于拼接所述结构化查询句段得到结构化查询语句，并将所述结构化查询语句输入至数据库执行，以对所述待处理工单进行处理。11.根据权利要求10所述的工单的自动处理装置，其特征在于，所述工单词片生成单元，包括：分词处理模块，用于对所述工单描述信息进行分词处理，得到对应的分词处理结果；分类处理模块，用于根据所述工单类别对应的关键词对所述分词处理结果进行分类处理，得到各工单类别对应的工单词片；所述工单类别包括聚合类别、选择类别及条件类别。
12.根据权利要求10所述的工单的自动处理装置，其特征在于，所述结构化查询语句生成模型包括聚合语句生成模型；所述装置，还包括：编码训练单元，用于将所述历史工单描述信息中属于聚合类别的历史工单词片输入序列到序列模型中的编码器，得到训练编码词向量；解码训练单元，用于将所述训练编码词向量输入至所述序列到序列模型中的解码器，得到训练解码词向量；初始聚合模型生成单元，用于根据所述属于聚合类别的历史工单词片、所述训练编码词向量及所述训练解码词向量建立聚合语句生成初始模型；聚合模型生成单元，用于比对所述训练解码词向量与该历史工单词片对应的所述历史结构化查询句段，并根据比对结果调整所述聚合语句生成初始模型，得到所述聚合语句生成模型。13.根据权利要求10所述的工单的自动处理装置，其特征在于，所述结构化查询语句生成模型包括选择语句生成模型；所述装置，还包括：训练句段生成单元，用于将所述历史工单描述信息中属于选择类别的历史工单词片输入长短期记忆神经网络，得到训练选择句段；选择语句模型构建单元，用于将所述训练选择句段及该历史工单词片对应的所述历史结构化查询句段输入损失函数进行迭代训练，直至所述损失函数在训练过程中收敛，得到所述选择语句生成模型。14.根据权利要求10所述的工单的自动处理装置，其特征在于，所述结构化查询语句生成模型包括条件语句生成模型；所述装置，还包括：前向传播单元，用于将所述历史工单描述信息中属于条件类别的历史工单词片输入原始全连接神经网络，得到对应的前向传播输出值；迭代传播单元，用于执行如下迭代操作：将该前向传播输出值输入所述原始全连接神经网络进行反向传播，直至达到预设训练轮次和/或满足训练误差阈值后，生成所述条件语句生成模型。15.根据权利要求12所述的工单的自动处理装置，其特征在于，所述工单类别包括所述聚合类别；所述结构化查询语句生成模型包括聚合语句生成模型；所述查询句段生成单元，包括：实际编码模块，用于将所述工单描述信息中属于聚合类别的工单词片输入所述聚合语句生成模型中的编码器，得到编码词向量；实际解码模块，用于将所述编码词向量输入至所述聚合语句生成模型中的解码器，得到解码词向量；聚合句段生成模块，用于组合所述解码词向量，得到对应的结构化查询句段。16.根据权利要求13所述的工单的自动处理装置，其特征在于，所述工单类别包括所述选择类别；所述结构化查询语句生成模型包括选择类别语句生成模型；所述查询句段生成单元，包括：实际选择句段生成模块，用于将所述工单描述信息中属于选择类别的工单词片输入所述选择语句生成模型，得到实际选择句段；选择句段生成模块，用于将所述实际选择句段输入所述损失函数进行迭代处理，直至
所述损失函数在迭代处理过程中收敛，得到对应的结构化查询句段。17.根据权利要求14所述的工单的自动处理装置，其特征在于，所述工单类别包括所述条件类别；所述结构化查询语句生成模型包括条件类别语句生成模型；所述查询句段生成单元，包括：前向传播模块，用于将所述工单描述信息中属于条件类别的工单词片输入所述条件语句生成模型，得到对应的实际前向传播输出值；迭代传播模块，用于执行如下迭代操作：将该实际前向传播输出值输入所述条件语句生成模型进行反向传播，直至达到预设迭代轮次和/或满足迭代误差阈值后，得到对应的结构化查询句段。18.根据权利要求17所述的工单的自动处理装置，其特征在于，所述查询句段拼接执行单元，包括：查询句段拼接模块，用于拼接所述构化查询聚合句段、所述结构化查询选择句段及所述结构化查询条件句段，得到所述结构化查询语句；查询句段执行模块，用于基于所述数据库执行所述结构化查询语句，得到所述待处理工单的处理结果。19.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至9任一项所述的工单的自动处理方法的步骤。20.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至9任一项所述的工单的自动处理方法的步骤。21.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至9任一项所述的工单的自动处理方法的步骤。

技术总结

本申请提供一种工单的自动处理方法及装置，涉及人工智能领域，也可用于金融领域，包括：根据预设的工单类别对获取的工单描述信息进行处理，得到各工单类别对应的工单词片；所述工单描述信息用于描述待处理工单；按照所述工单词片所属的工单类别将所述工单词片输入对应的结构化查询语句生成模型，得到对应的结构化查询句段；其中，所述结构化查询语句生成模型根据历史工单描述信息及历史结构化查询句段训练得到；拼接所述结构化查询句段得到结构化查询语句，并将所述结构化查询语句输入至数据库执行，以对所述待处理工单进行处理。本申请能够根据工单类别自动进行工单处理。申请能够根据工单类别自动进行工单处理。申请能够根据工单类别自动进行工单处理。