Методы классификации машинного обучения для обработки запросов в helpdesk подразделения

Размещено на http://www.allbest.ru/

Методы классификации машинного обучения для обработки запросов в helpdesk подразделения

Корнишин А.А.

Аннотация

Статья представляет собой исследование методов классификации, включая k ближайших соседей, метод опорных векторов, метод Байеса и нейронные сети. Рассмотрена эффективность применение каждого из методов в работе helpdesk подразделения.

Ключевые слова: метод k ближайших соседей, машинное обучение, метод Байеса, методы нейронных сетей, методы классификации, helpdesk.

Abstract

This article presents a study of classification methods, including k- nearest neighbors, support vector machines, Bayes' method and neural networks. The effectiveness of applying each of these methods in the work of a helpdesk department is examined.

Keywords: k-nearest neighbors method, machine learning, Bayes' method, neural network methods, classification methods, helpdesk.

Методы классификации и подходы реализации машинного обучения играют ключевую роль в современных системах обработки данных. Каждый метод обладает особенными параметрами, возможностями реализации и вариантами использования.

Метод k ближайших соседей (k-NN)

Метод k ближайших соседей (k-NN) - это один из самых понятных и интуитивных методов классификации [2, с.38].

Для определения класса каждого нового объекта анализируются классы ближайших к нему точек данных. Затем объекту присваивается класс, встречающийся чаще всего среди этих соседей^) [4, с. 64].

Рисунок 1. Метод k- NN

классификация машинное обучение запрос

Метод опорных векторов (SVM)

Метод опорных векторов - это линейный метод классификации. Суть метода заключается в проектировании гиперплоскости, которая создаст наибольшее расстояние между объектами разных классов, используя опорные векторы. [2, с. 41].

Рисунок 2. Разделяющая классы поверхность

Решающая граница может быть криволинейной поверхностью, которая разбивает на две части пространство и две категории выборки данных.

Метод Байеса

Метод Байеса - вероятностный метод классификации. В основе лежит предположение о том, что наличие/отсутствие одной характеристики класса не связано с наличием/отсутствием других характеристик [2, с.39].

Рисунок 3. Метод Байеса

Методы нейронных сетей

Методы нейронных сетей представляют собой одни из самых сложных и мощных инструментов в области машинного обучения. Благодаря своим впечатляющим вычислительным возможностям, они активно используются для анализа больших объемов данных.

Существуют различные модели классификации, использующие подходы, основанные на прецедентах (CBR), а также сверточные нейронные сети (CNN).

CBR-методы хорошо подходят для поиска решений, используя накопленную информацию, а CNN отлично справляются с выделением объектов и созданием высокоуровневых признаков благодаря сверткам [1, с.591].

Для успешной классификации данных важно иметь корректный обучающий набор данных. Однако это часто сложно для сложных объектов из-за неполноты исходных данных. Можно использовать CBR для обучения CNN, что позволяет контролировать процесс обучения нейросети и оптимизировать шаг обучения, повышая скорость работы алгоритма. Работа нейронной сети зависит от весов синаптических связей, поэтому важно правильно выбрать структуру сети и определить оптимальные значения весов. Для обучения часто используется алгоритм обратного распространения ошибки [1, с.592].

Если ошибка сети при обучении CNN становится допустимой, алгоритм обучения сходится. Слишком маленький шаг замедляет сходимость, а слишком большой может привести к нестабильности. Подход с прецедентами позволяет контролировать обучение CNN, корректировать его скорость и возвращать веса связей к предыдущему состоянию, если ошибка увеличивается. Это помогает исключать неудачные примеры из обучающего набора данных, улучшая качество классификации и снижая ошибку.

Функции CNN и CBR при обучении CNN можно реализовать по следующей схеме (см. рисунок 4), которая описывает взаимодействие основных блоков. В этой схеме блок прецедентов (CBR) собирает и обрабатывает данные, накапливая опыт, который затем используется для корректировки процесса обучения. Главным элементом является блок обучения CNN, который выполняет функции контроля и управления процессом обучения. Этот блок отвечает за настройку параметров сети, оценку качества классификации и внесение необходимых корректировок для улучшения результатов. Взаимодействие между блоками CBR и CNN обеспечивает адаптивное обучение и оптимизацию модели, что позволяет повысить точность и эффективность классификации данных [1, с.595].

Ключевым условием для корректной классификации служат правильно собранные обучающие данные. Иногда это условие трудновыполнимо для сложных изучаемых объектов и из-за неполноты информации.

Применение в работе helpdesk подразделения.

В приведенной ниже таблице приведены примеры использования перечисленных в статье методов в обработке запросов helpdesk:

Рисунок 4. Схема реализации функции CNN и CBR

Таблица 1 - варианты применения методов.

Суммируя, наиболее эффективно методы покажут себя в следующих случаях:

1. Классификация и маршрутизация запросов:

Метод k ближайших соседей сможет находить схожие запросы и определять категорию нового запроса. Метод опорных векторов - классифицировать запросы для распределения по соответствующим отделам. Метод Байеса будет отличаться классификацией текстовых запросов. Метод деревьев решений - маршрутизацией запросов на основе логики и исторических данных. Нейронные сети - распознаванием сложных паттернов в запросах и их классификацией.

2. Автоматическое предоставление ответов:

Метод Байеса отлично покажет себя в простых ответах на часто задаваемые вопросы. Нейронные сети, в свою очередь, - в более интеллектуальных ответах и рекомендациях.

3. Обнаружение и предупреждение проблем:

Метод опорных векторов хорошо справится с выявлением нетипичных запросов, которые могут указывать на серьезные проблемы. Нейронные сети смогут прогнозировать потенциальные проблемы на основе анализа истории запросов.

Из проведенного анализа следует, что использование машинного обучения в helpdesk подразделениях позволит значительно эффективнее предоставлять сервис. Сравнение рассмотренных методов классификации позволило сделать вывод, что не выявлен единый метод, подходящий для всех ситуаций. Лучшим решением будет адаптировать наиболее эффективные методы машинного обучения для решения задачи классификации запросов предметной сферы.

Список литературы:

1. Варшавский П.Р. Реализация программных средств для классификации данных на основе аппарата сверточных нейронных сетей и прецедентного подхода // П.Р. Варшавский, А.В. Кожевников. - Программные продукты и системы, № 4, 2020. - С. 591-598.

2. Котельников Е.В. Методология интеллектуального анализа мнений при обработке текстовой информации на основе правдоподобного вывода / ДИССЕРТАЦИЯ на соискание уч. степени д.т.н. - Нижний Новгород - 2019. - 329 с.

3. Стрелец, А.И. Методы классификации текстовых данных по темам / А.И. Стрелец, В.С. Иванников, А.А. Орлов, А.В. Атавина. - Международный журнал гуманитарных и естественных наук. Т.6-1, 2019. - С.74-76.

4. Bijalwan V. KNN based machine learning approach for text and document mining // International Journal of Database Theory and Application. -- Т.7, № 1, 2014. - С. 61-70.

Размещено на Allbest.ru