現(xiàn)代大型IT服務系統(tǒng)日趨復雜,用于系統(tǒng)運維的成本日益增高。為了降低運維成本,提供與所承諾給用戶的服務質(zhì)量水平相匹配的服務,有必要開展智能化運維方法研究,并進而應用它們來指導具體運維工作。系統(tǒng)運行過程中產(chǎn)生的問題報告稱為“工作票”,其中記錄了具體的問題細節(jié)、解決方法等,需要將產(chǎn)生的工作票及時分配給合適的運維專家或團隊進行問題處理,以滿足用戶對服務質(zhì)量的要求。雖然工作票問題描述語義豐富,但是其無結(jié)構(gòu)的文本描述形式、包含大量特殊領域詞匯等特點為工作票專家和路由推薦帶來了挑戰(zhàn)。本文以歷史工作票為研究對象,從工作票問題處理專家推薦以及工作票路由推薦等方面開展研究,主要內(nèi)容包括以下幾個方面:1.為了提升專家推薦的準確性,根據(jù)工作票問題描述文本無結(jié)構(gòu)及包含大量領域詞匯等特點,提出一種基于卷積神經(jīng)網(wǎng)絡的工作票專家推薦方法。首先根據(jù)專業(yè)熟練度水平和專業(yè)知識構(gòu)建專家運維能力模型;接著,設計卷積神經(jīng)網(wǎng)絡模型,引入注意力機制學習輸入句子中詞語的注意力分配概率;然后,度量問題描述與專家模型的匹配度,實現(xiàn)以推薦質(zhì)量為依據(jù)的專家推薦,選擇評分最高的K位專家作為推薦結(jié)果。最后,在企業(yè)真實的數(shù)據(jù)集上進行實驗,并與其它代...

【文章頁數(shù)】：83 頁

【學位級別】：碩士

圖3.5不同算法下的推薦準確率結(jié)果

圖3.6不同輸入文本中描述詞個數(shù)的分布情況

圖3.8可視化注意力權重圖3.8（a）展示了問題描述和專家能力之間注意力系數(shù)矩陣的學習結(jié)果，其中

圖4.4TOP12問題類型對應工作票數(shù)量分布情況

本文編號：3883388