基于自然语言处理与深度学习的利用自由文本客户服务报告的自动车辆诊断模型
系统与控制
2021-12-01 v1 计算与语言
系统与控制
信号处理
摘要
初始故障检测与诊断是提高车辆运行效率、安全性和稳定性的必要措施。近年来，大量研究利用可用的车辆数据探索数据驱动方法以改进车辆诊断流程。此外，数据驱动方法也被用于增强客户服务代理的交互。在本研究中，我们展示了一个用于改进自动车辆诊断的机器学习流水线。首先，利用自然语言处理（NLP）从自由文本故障报告（在客户致电服务部门期间生成）中自动提取关键信息。然后，采用深度学习算法验证服务请求并过滤模糊或误导性的诉求。最后，实现不同的分类算法对服务请求进行分类，以便将有效的服务请求引导至相关部门。所提出的模型——双向长短期记忆网络与卷积神经网络相结合——在验证服务请求方面，其准确率比技术人员的能力提高了 18% 以上。此外，在预处理和特征提取阶段使用基于领域的 NLP 技术，并结合基于 CNN-BiLSTM 的请求验证，使梯度树提升（GTB）服务分类模型的准确率（>25%）、灵敏度（>39%）、特异性（>11%）和精确率（>11%）均得到提升。受试者工作特征曲线下面积（ROC-AUC）达到 0.82。
引用
@article{arxiv.2111.14977,
title = {A Natural Language Processing and Deep Learning based Model for Automated Vehicle Diagnostics using Free-Text Customer Service Reports},
author = {Ali Khodadadi and Soroush Ghandiparsi and Chen-Nee Chuah},
journal= {arXiv preprint arXiv:2111.14977},
year = {2021}
}
备注
24 page, 8 figures