基于半监督学习的资产维护文档多维分类体系构建框架及其在设施管理中的应用

【编辑推荐】本研究提出融合句嵌入（sentence embedding）、聚类（clustering）、主题建模（topic modeling）和网络模块化（network modularization）的混合框架，从30,000+工单中自动提取系统类型、故障模式、工种需求等多维特征，构建可支持零样本分类（zero-shot classification）的动态分类体系，为设施管理（FM）领域提供数据驱动的决策工具。

　　

亮点聚焦

文献综述

本节并非对现有NLP研究进行全面回顾，而是聚焦工单分类管理的核心痛点。通过剖析近期研究中因分类方案缺陷导致的典型问题（如单一静态标签无法反映真实维护场景），揭示多维动态分类体系的必要性。

研究框架

图2展示了从文本预处理到专家协同优化的全流程：首先对比TF-IDF与大语言模型（LLM）等编码方法，确定最优文本表征策略；其次通过无监督技术（如狄利克雷混合模型Gibbs采样）挖掘潜在模式；最终由设施专家团队提炼多维分类模型。

预处理与编码

通过监督实验验证不同文本编码方法在工单分类中的表现。以工单关联的"工作中心"（work center）为分类目标（单标签多分类任务），筛选出最优编码方案——该方案需同时满足高区分度（>100工单/类别）与业务可解释性。

数据驱动的分类建模

研究指出：人工定义的高层类别（如"机械类"）缺乏细粒度洞察，而过度细分又会导致覆盖率下降。本文提出的混合框架通过：1) 无监督模式发现；2) 专家知识注入；3) 多维正交分类轴（系统/问题/行动/工种），实现精准性与实用性的平衡。

Order Miner：多维查询工具

基于分类模型开发的Order Miner软件突破传统单维分类局限，支持用户按工作中心、系统类型、故障模式等多维度交叉筛选工单数据，显著提升成本归因、资源调度等场景的分析效率（详见附录B）。

总结与展望

设施管理（FM）面临日益复杂的运维挑战，本研究构建的动态分类体系不仅支持零样本工单分类（无需标注数据），其多维特性更助力发现系统级故障热点、工种需求波动等深层规律，为智慧运维提供新范式。