学习优先级工单排序：基于嵌入方法与微调变换模型的比较评估
计算与语言
2025-12-23 v1 人工智能
摘要
在 IT 服务管理 (ITSM) 中优先级排序服务工单对运营效率至关重要，但由于噪声文本输入、主观的写作风格以及显著的类别不平衡，仍面临挑战。我们评估了两种工单优先级排序方法：一种是结合降维、聚类和经典分类器的嵌入基方法，另一种是对微调的多语言变换模型进行微调，以处理文本和数值特征。嵌入基方法在三十种配置中普遍表现有限，聚类未能发现有意义的结构，监督模型对嵌入质量高度敏感。相比之下，所提出的变换模型实现了显著更好的性能，平均 F1 分数达 78.5%，加权 Cohen's Kappa 值接近 0.80，表明与真实标签高度一致。这些结果揭示了通用嵌入在 ITSM 数据中有限的泛化能力，并展示了领域适应变换模型架构在运营工单优先级排序中的有效性。
引用
@article{arxiv.2512.17916,
title = {Learning to Prioritize IT Tickets: A Comparative Evaluation of Embedding-based Approaches and Fine-Tuned Transformer Models},
author = {Minh Tri LÊ and Ali Ait-Bachir},
journal= {arXiv preprint arXiv:2512.17916},
year = {2025}
}
备注
12 pages