基于矩阵分解和注意力多任务学习的客服投诉工单分类

投诉工单自动分类是通信运营商客服数字化、智能化发展的要求。客服投诉工单的类别有多层,每一层有多个标签,层级之间有所关联,属于典型的层次多标签文本分类问题,现有解决方法大多数基于分类器同时处理所有的分类标签,或者对每一层级分别使用多个分类器进行处理,忽略了层次结构之间的依赖。提出了一种基于矩阵分解和注意力的多任务学习的方法(MF-AMLA),处理层次多标签文本分类任务。在通信运营商客服场景真实投诉工单分类数据下,与该场景常用的机器学习算法和深度学习算法的Top1F1值相比分别最大提高了21.1%和5.7%。已在某移动运营商客服系统上线,模型输出的正确率97%以上,对客服坐席单位时间的处理效率提升22.1%。     

国产的多极子阵列声波测井仪(MPAL)在油田开发生产中的应用

本文对国产的多极子阵列声波测井(MPAL)资料进行了分析,验证了仪器有较好的稳定性,测试结果表明:硬地层的纵波、横波、斯通利波波形清楚,幅度变化正常;通过其在岩性识别、裂缝识别、气层识别、岩石机械特性分析及各向异性的应用进行研究,能够较为准确地求取地层的纵波、横波、斯通利波的声波时差及幅度和衰减曲线,计算岩石力学参数,并进行地层各向异性评价。