面向问题工单推荐解决方案的可扩展性与高可用性
机器学习
2025-07-30 v2 信息检索
摘要
事件或问题工单的解决方案是服务行业中的常见主题， telecom 领域的计费与充电系统亦属其一。机器学习可以帮助识别模式并基于工单历史数据中的模式来建议问题工单的解决方案。然而，由于数据漂移、缺失数据、过去事件解决方案数据不足、类似的解决方案因自由文本和相似听起来的文本而过多等多种现象，此过程可能变得复杂。本文提出一种稳健的 ML 驱动解决方案，采用聚类、监督学习和高级 NLP 模型有效应对这些挑战。基于前期工作，我们展示了基于聚类的解决方案识别、使用 LDA、Siamese 网络和 One-shot 学习、Index 嵌入的监督分类。此外，我们提供了一个实时仪表盘和基于 Kubernetes 的高可用生产部署。我们的实验在开源 Bitext customer-support 数据集和专有 telecom 数据集上均显示出高预测准确率。
引用
@article{arxiv.2507.19846,
title = {A Scalable and High Availability Solution for Recommending Resolutions to Problem Tickets},
author = {Harish Saragadam and Chetana K Nayak and Joy Bose},
journal= {arXiv preprint arXiv:2507.19846},
year = {2025}
}
备注
9 pages, 7 figures