(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211026058.4 (22)申请日 2022.08.25 (71)申请人 武汉云上融媒科技有限公司 地址 430000 湖北省武汉市中国(湖北)自 贸区光谷三路777号A办公楼4层401- 354号 (72)发明人 王力欧　付全文　陈建荣　 (74)专利代理 机构 武汉红观 专利代理事务所 (普通合伙) 42247 专利代理师 赵征友 (51)Int.Cl. G06F 40/284(2020.01) G06F 16/35(2019.01) G06N 20/00(2019.01) G06Q 10/00(2012.01) (54)发明名称 基于用户投诉的汽车故障发现方法、 系统、 设备及介质 (57)摘要 本发明提出了一种基于用户投诉的汽车故 障发现方法、 系统、 设备及介质， 通过获取汽车厂 商信息、 汽车名称信息、 车型信息、 汽车的各种故 障描述文本信息以及关于用户对于各种质量汽 车的投诉文本信息， 对这些文本信息进行文本预 处理， 获取汽车故障和用户投诉的关键分词， 使 用LDA主题模型， 对关键分词进行分类； 基于GBD T 对用户投诉关键分词以及对应的汽车故障关键 分词进行计算， 根据计算结果建立用户投诉数据 的汽车辅助诊断自学习模型； 通过汽 车辅助诊断 自学习模型， 对待诊断汽车质量投诉进行故障诊 断。 本发明实现了在线即时准确地根据车辆状况 描述信息进行汽车故障诊断。 权利要求书3页 说明书8页 附图1页 CN 115455956 A 2022.12.09 CN 115455956 A 1.一种基于用户投诉的汽车故障发现方法， 其特 征在于， 包括以下步骤： S1， 获取汽车厂商信息、 汽车名称信息、 车型信息、 汽车的各种故障描述文本信息以及 关于用户对于各种质量汽车的投诉文本信息， 并存 入语料库； 继续执 行步骤S2； S2， 对所述故障描述文本信息和投诉文本信息进行文本预处理， 获取汽车故障关键分 词和用户投诉关键分词， 建立用户投诉关键分词以及对应的汽车故障关键分词集合； 继续 执行步骤S3； S3， 使用LDA主题模型， 按照常见汽车的十五大系 统、 所属部件 的结构系统以及常见故 障的特征信息 分词， 对关于汽车的所述用户投诉关键分词以及 对应的汽车故障关键 分词进 行分类； 继续执 行步骤S4； S4， 基于GBDT对用户投诉关键分词以及对应的汽车故障关键分词进行计算， 根据计算 结果建立用户投诉数据的汽车辅助诊断 自学习模型； 继续执 行步骤S5； S5， 输入车辆的状况描述信息到所述汽车辅助诊断自学习模型， 对待诊断汽车质量投 诉进行故障诊断。 2.如权利要求1所述的一种基于用户投诉的汽车故障发现方法， 其特征在于， 所述步骤 S2执行之后， 还进行如下操作： 去除重复的关键分词后将所有关键分词构建成一个词条列表； 对于每一个文本信息， 使用词袋模型构建一个向量， 向量的维度与词条列表的维度相 同， 所述向量的值 为所述词条列表中每 个词条在该文本中出现的次数； 将词袋向量 转换为TF ‑IDF权值向量。 3.如权利要求2所述的一种基于用户投诉的汽车故障发现方法， 其特征在于， 所述将词 袋向量转换为TF ‑IDF权值向量， 具体包括： 计算每个关键分词的特 征权重： W(t,d)表示关键分词t在文本信息d中的权重， tf(t,d)表示关键分词t在文本信息d中 的词频， N为语料库中文本信息d的总数， nt为语料库中包含关键分词t的文本信息数， W(wk, ci)表示词语wk关于类别ci的类别权重， wk表示第k个词， ci表示第i类文本信息； 根据关键分 词的特征权重得到该关键分词的TF ‑IDF权值向量。 4.如权利要求2所述的一种基于用户投诉的汽车故障发现方法， 其特征在于， 所述步骤 S3具体包括： 使用主题模型LDA对所述关于汽车的用户投诉关键分词以及对应的汽车故障关键分词 进行建模分析， 根据困惑度和一致性指标对主题个数K进行超参数调优， 选取最佳的主题个 数K； 利用训练好的LDA模型获取文档信息的主题分布矩阵和主题的单词分布矩阵， 将所述 用户投诉关键 分词以及 对应的汽车故障关键分词根据汽车系统和部件进 行分类， 将分类结 果作为训练样本， 建立多层次、 多维度训练集； 所述主题分布矩阵为N*K， N表示文档个数， K 表示主题个数， 每一行对应一篇文档的主题分布； 所述主题的单词分布矩阵为|V|*K， |V|表 示词汇表大小， K表示主题个数， 每一列对应一个主题的单词分布。权　利　要　求　书 1/3 页 2 CN 115455956 A 25.如权利要求4所述的一种基于用户投诉的汽车故障发现方法， 其特征在于， 所述步骤 S4具体包括： S4‑1， 初始化弱学习器： 其中x为输入向量即关键分词； y为输出变量即关键分词对应的故障类型； 给定由x和y 组成n个训练样本(x1,y1),(x2,y2),…(xn,yn),； γ为梯度下降步长； L(yi,γ)为损失函数， L (yi,γ)＝|yi‑γ|； argminγ表示其后面式子 达到最小值时变量yi和γ的取 值， i＝1,2,…,n； S4‑2， 对迭代轮数m＝1,2, …,M， 对每个样本i＝1,2,…,n， 计算残差rim： 将得到的残差作为样本新的真实值， 并将数据(xi,rim)， i＝1,2, …,n， 作为下棵树的训 练数据， 得到一颗新的回归树fm(x)， 其对应的叶子节点区域为Rjm； j＝1,2, …,J； J为回归树 fm(x)的叶子节点的个数； 对叶子区域j＝1,2, …,J计算最佳拟合 值： S4‑3， 根据步骤S4 ‑1和S4‑2更新强学习器： 其中I取值 为1或者‑1， 表示是否落在对应的叶子节点上， 是则取1， 否则取 ‑1； S4‑4， 得到迭代轮数为M的强学习器为： 通过GBDT算法实现多次迭代， 完成梯度提升决策树叶子节点即关键分词的分类， 完成 汽车辅助诊断 自学习模型的建立。 6.如权利要求5所述的一种基于用户投诉的汽车故障发现方法， 其特征在于， 所述步骤 S4执行完后， 还进行如下操作： 采用所述训练集对所述汽车辅助诊断 自学习模型进行训练。 7.如权利要求1所述的一种基于用户投诉的汽车故障发现方法， 其特征在于， 所述步骤 S5具体包括： 首先将所述车辆的状况描述信息进行包括分词、 去除停用词、 筛选重复词的预处理， 然 后输入到所述汽车辅助诊断自学习模型， 通过对其进行分类确定该待诊断车辆的故障类 型， 完成故障诊断。权　利　要　求　书 2/3 页 3 CN 115455956 A 3