طبقه بندی خودکار تیکتهای پشتیبانی فناوری اطلاعات در محیط های چند زبانه با استفاده از یادگیری ماشین

با افزایش حجم و تنوع تیکتهای پشتیبانی فناوری اطلاعات در سازمانها، مدیریت دستی و تخصیص صحیح این تیکت ها به واحدهای مرتبط به یکی از چالشهای اصلی سامانه های Helpdesk تبدیل شده است. هدف این پژوهش، بررسی کارایی الگوریتم های یادگیری ماشین کلاسیک در طبقه بندی خودکار تیکت های پشتیبانی مبتنی بر داده های متنی است. در این مطالعه پس از جمع آوری و پیش پردازش داده های واقعی تیکت های پشتیبانی شامل حذف نویز، نرمال سازی متون و استخراج ویژگی ها با استفاده از روش TF-IDF، دو الگوریتم رگرسیون لجستیک و ماشین بردار پشتیبان خطی پیاده سازی و ارزیابی شدند. ارزیابی عملکرد مدل ها با استفاده از معیارهای دقت، Recall، Precision و F۱-Score انجام گرفت. نتایج نشان داد که هر دو مدل توانایی مناسبی در طبقه بندی تیکت ها دارند اما ماشین بردار پشتیبان در تمامی معیارهای ارزیابی عملکرد بهتری از خود نشان داد. همچنین تحلیل نتایج به تفکیک کلاس ها بیانگر آن بود که مدل ها در دسته هایی با واژگان تخصصی مشخص عملکرد مطلوب تری دارند در حالی که کلاس های ناهمگون با چالش بیشتری مواجه هستند. یافته های این پژوهش نشان می دهد که استفاده از روش های یادگیری ماشین کلاسیک می تواند راهکاری عملی، مقرون به صرفه و قابل پیاده سازی برای بهبود فرآیند مدیریت و پاسخگویی به تیکت های پشتیبانی در سازمان ها باشد.

کلیدواژه ها:

طبقه بندی تیکتهای پشتیبانی ، یادگیری ماشین ، ماشین بردار پشتیبان ، رگرسیون لجستیک ، پردازش متن