CREST：通过特定标准故障报告检索提升爱立信故障排查的可解释性与有效性
软件工程
2025-11-24 v1 机器学习
摘要
电信行业的快速发展需要高效的故障排查流程，以维持网络可靠性、软件可维护性和服务质量。故障报告（TR）记录了爱立信生产系统中的问题，在促进软件故障及时解决方面发挥着关键作用。然而，TR数据的复杂性和庞大数量，以及反映每个故障不同方面的多样化标准的存在，给检索系统带来了挑战。基于爱立信先前采用的两阶段工作流（包括初始检索（IR）和重排序（RR）阶段），本研究调查了不同的TR观察标准及其对检索模型性能的影响。我们提出了CREST（通过集成专用TR模型的特定标准检索），这是一种标准驱动的检索方法，利用针对不同TR字段的专用模型来提高有效性和可解释性，从而实现更快的故障解决并支持软件维护。CREST利用在特定TR标准上训练的专用模型，并聚合它们的输出以捕获多样且互补的信号。这种方法提高了检索准确性，更好地校准了预测分数，并通过提供每个标准的相关性分数来增强可解释性，帮助用户理解为何检索到特定的TR。通过使用爱立信内部TR的一个子集，本研究表明，特定标准模型在关键评估指标上显著优于单一模型方法。这凸显了本研究中使用的所有目标标准对于优化检索系统性能的重要性。
引用
@article{arxiv.2511.17417,
title = {CREST: Improving Interpretability and Effectiveness of Troubleshooting at Ericsson through Criterion-Specific Trouble Report Retrieval},
author = {Soroush Javdan and Pragash Krishnamoorthy and Olga Baysal},
journal= {arXiv preprint arXiv:2511.17417},
year = {2025}
}