論文の概要: Classifying the Unstructured IT Service Desk Tickets Using Ensemble of
Classifiers
- arxiv url: http://arxiv.org/abs/2103.15822v1
- Date: Tue, 30 Mar 2021 04:35:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-01 03:00:11.404258
- Title: Classifying the Unstructured IT Service Desk Tickets Using Ensemble of
Classifiers
- Title（参考訳）: 分類器の集合を用いた非構造化ITサービスデスクチケットの分類
- Authors: Ramya C, Paramesh S.P, Dr. Shreedhara K S
- Abstract要約: ITサービスデスクのチケットを手動で分類することで、チケットを間違った解決グループにルーティングすることができる。
従来の機械学習アルゴリズムは、itサービスデスクチケットの自動分類に使用できる。
従来の分類器システムの性能は、様々な分類技法を用いてさらに向上することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Manual classification of IT service desk tickets may result in routing of the
tickets to the wrong resolution group. Incorrect assignment of IT service desk
tickets leads to reassignment of tickets, unnecessary resource utilization and
delays the resolution time. Traditional machine learning algorithms can be used
to automatically classify the IT service desk tickets. Service desk ticket
classifier models can be trained by mining the historical unstructured ticket
description and the corresponding label. The model can then be used to classify
the new service desk ticket based on the ticket description. The performance of
the traditional classifier systems can be further improved by using various
ensemble of classification techniques. This paper brings out the three most
popular ensemble methods ie, Bagging, Boosting and Voting ensemble for
combining the predictions from different models to further improve the accuracy
of the ticket classifier system. The performance of the ensemble classifier
system is checked against the individual base classifiers using various
performance metrics. Ensemble of classifiers performed well in comparison with
the corresponding base classifiers. The advantages of building such an
automated ticket classifier systems are simplified user interface, faster
resolution time, improved productivity, customer satisfaction and growth in
business. The real world service desk ticket data from a large enterprise IT
infrastructure is used for our research purpose.
- Abstract（参考訳）: ITサービスデスクのチケットを手動で分類することで、チケットを間違った解決グループにルーティングすることができる。
ITサービスデスクチケットの不正な割り当ては、チケットの再割り当て、不要なリソース利用、解決時間の遅延につながる。
従来の機械学習アルゴリズムは、itサービスデスクチケットの自動分類に使用できる。
サービスデスク切符分類モデルは、歴史的非構造化切符記述と対応するラベルをマイニングすることで訓練することができる。
このモデルを使用して、チケット記述に基づいて新しいサービスデスクチケットを分類することができる。
従来の分類器システムの性能は、様々な分類技法を用いてさらに向上することができる。
本稿では,チケット分類システムの精度を高めるために,異なるモデルからの予測を組み合わせるために,最も一般的な3つのアンサンブル手法であるバッギング,ブースティング,投票アンサンブルを提案する。
各種性能指標を用いて、アンサンブル分類器システムの性能を個々のベース分類器に対してチェックする。
分類器のアンサンブルは対応する基底分類器と比較すると良好であった。
このような自動チケット分類システムを構築する利点は、ユーザインターフェースの簡素化、解決時間の短縮、生産性の向上、顧客満足度の向上、ビジネスの成長である。
大企業ITインフラからの実世界のサービスデスクチケットデータは、我々の研究目的に利用されています。
関連論文リスト
- Towards Model-Driven Dashboard Generation for Systems-of-Systems [52.251635013691256]
本稿では、単純なダッシュボードモデルのリストをダッシュボードモデルに自動変換する、モデル駆動技術に依存しないアプローチについて述べる。
ダッシュボードのカスタマイズは抽象モデル表現を単に修正するだけで効率的に実現できる。
論文 参考訳（メタデータ） (2024-02-23T10:55:18Z) - Learning Fair Ranking Policies via Differentiable Optimization of
Ordered Weighted Averages [55.04219793298687]
本稿では,学習からランクへの学習ループに,効率よく解ける公正ランキングモデルを組み込む方法について述べる。
特に,本論文は,OWA目標の制約された最適化を通じてバックプロパゲーションを行う方法を示す最初のものである。
論文 参考訳（メタデータ） (2024-02-07T20:53:53Z) - CLASSify: A Web-Based Tool for Machine Learning [0.0]
本稿では、機械学習の分類問題の自動化ツールについて、学習モデルのプロセスを簡単にし、結果を生成するとともに、データに対する情報的可視化と洞察を提供する。
CLASSifyは、機械学習の知識を必要とせずに分類問題を解決するオープンソースのツールである。
論文 参考訳（メタデータ） (2023-10-05T15:51:36Z) - Multi-output Headed Ensembles for Product Item Classification [0.9053163124987533]
本稿では,eコマースカタログを対象としたディープラーニングに基づく分類モデルフレームワークを提案する。
我々は、ロバストな業界標準ベースラインモデルに対する改善を示す。
また,ユーザセッションを用いたモデル性能評価手法を提案する。
論文 参考訳（メタデータ） (2023-07-29T01:23:36Z) - Ticket-BERT: Labeling Incident Management Tickets with Language Models [1.6556358263455926]
Ticket-BERTは、提案されたチケットデータセットを使用してチケットをラベル付けするための単純だが堅牢な言語モデルを訓練する。
さらに、Ticket-BERTをアクティブな学習サイクルでカプセル化し、Microsoft IcMシステムにデプロイする。
論文 参考訳（メタデータ） (2023-06-30T19:48:25Z) - ProTeCt: Prompt Tuning for Taxonomic Open Set Classification [59.59442518849203]
分類学的オープンセット(TOS)設定では、ほとんどショット適応法はうまくいきません。
本稿では,モデル予測の階層的一貫性を校正する即時チューニング手法を提案する。
次に,階層整合性のための新しいPrompt Tuning(ProTeCt)手法を提案し,ラベル集合の粒度を分類する。
論文 参考訳（メタデータ） (2023-06-04T02:55:25Z) - AutoCl : A Visual Interactive System for Automatic Deep Learning
Classifier Recommendation Based on Models Performance [0.0]
我々は,非専門家が適切なディープラーニング(DL)分類器を採用するのを支援することを目的とした,視覚的インタラクティブなレコメンデーションシステムであるAutoClを紹介する。
我々はAutoClの特徴を最近のAutoMLシステムと比較し、非専門家がDL分類器を選択するのに役立つことを示す。
論文 参考訳（メタデータ） (2022-02-24T07:02:37Z) - Binary Classification from Multiple Unlabeled Datasets via Surrogate Set
Classification [94.55805516167369]
我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。
我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
論文 参考訳（メタデータ） (2021-02-01T07:36:38Z) - Meta Learning for Few-Shot One-class Classification [0.0]
メタ学習問題として,一級分類における意味のある特徴の学習を定式化する。
これらの表現を学習するには、類似したタスクからのマルチクラスデータのみが必要である。
数ショットの分類データセットを、数ショットの1クラスの分類シナリオに適応させることで、我々のアプローチを検証する。
論文 参考訳（メタデータ） (2020-09-11T11:35:28Z) - Fine-Grained Visual Classification with Efficient End-to-end
Localization [49.9887676289364]
本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。
我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
論文 参考訳（メタデータ） (2020-05-11T14:07:06Z) - Federated Learning with Only Positive Labels [71.63836379169315]
FedAwS(Federated Averaging with Spreadout)という,正のラベルのみを用いたトレーニングのための汎用フレームワークを提案する。
理論的にも経験的にも、FedAwSは、ユーザが負のラベルにアクセス可能な従来の学習のパフォーマンスとほぼ一致していることを示す。
論文 参考訳（メタデータ） (2020-04-21T23:35:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。