基于集成学习的电力文本多标签故障类型识别分类方法

随着电力行业 ICT 定制服务（ICT CS）的快速发展，已部署的电力 ICT CS 系统主要依赖客服人员的经验进行故障类型识别、问答，难以高效精准地解决用户提出的问题。为解决该问题，本文首先提出一种结合二值相关（Binary Relevance）与梯度提升决策树（Gradient Boosting Decision Tree）的多标签故障文本分类集成方法 BR-GBDT，用于辅助故障类型诊断并提高故障类型识别准确率。其次，针对电力 ICT 多标签文本分类训练集缺失的问题，提出一种从电力 ICT CS 系统存储的历史故障文本数据自动构建训练集的方法。基于电力 ICT CS 训练集及若干通用基准训练数据集进行了充分的实验。实验结果表明，我们的方法在故障文本分类上优于知名的基于集成学习的方法 BR+LR 和 ML-KNN，能高效处理 ICT 定制服务文本数据的多标签分类以实现故障类型识别。