[Paper] TeleDoCTR：面向电信的领域特定与上下文故障排除

Source: arXiv - 2601.00691v1

Overview

论文 TeleDoCTR 解决了许多大型电信运营商每天都会遇到的一个痛点：将大量的支持工单转化为快速、准确的解决方案。作者通过将领域特定排序与现代生成式 AI 相结合，构建了一个端到端系统，能够自动分配工单、调出最相关的历史案例，并草拟故障分析报告——全部无需人工在海量文档中筛选。

关键贡献

• 面向领域的架构：一个统一的流水线，将分类模型（工单路由）、检索引擎（相似工单搜索）和生成模型（故障分析报告）耦合在一起，专门在电信数据上进行训练。
• 上下文排序：引入领域特定的排序损失，提升检索到的历史工单的相关性，超越通用语义相似度。
• 生成式故障分析：利用微调后的语言模型生成结构化报告（问题描述、根本原因、建议修复），可直接供工程师使用。
• 真实场景评估：在专有电信基础设施数据集上进行实验，分类准确率、检索召回率和报告质量（BLEU/ROUGE）均相较强基线实现了持续提升。
• 运营效率提升：在试点环境部署时，展示了平均解决时间（MTTR）的可衡量下降。

方法论

1. 数据准备 – 作者收集了约 12 万条工单，涵盖网络中断、硬件故障和服务降级，并附有专家撰写的解决说明。
2. 工单路由（分类） – 使用基于 Transformer 的分类器（例如 BERT‑large）进行微调，以预测负责的专家团队（约 30 类）。
3. 上下文检索 – 他们使用密集嵌入（SBERT）对历史工单建立索引，并加入 领域特定相关性评分器，该评分器结合了电信本体术语（如 “BGP flap”、 “OLT failure”）。最终得分是语义相似度和本体重叠的加权融合。
4. 报告生成 – 将序列到序列模型（T5‑base）进一步微调，使用工单文本 + 专家解决说明的配对进行训练。模型被提示输出三个部分：问题概述、根本原因和推荐措施。
5. 端到端集成 – 流程实时运行：新工单首先进行分类，然后检索 top‑k 相似工单，最后生成模块产出草稿报告，必要时可由人工编辑。

所有组件均使用标准指标（准确率、MAP@10、BLEU、ROUGE）以及自定义的 “解决时间” 指标进行训练和评估，以捕捉运营影响。

结果与发现

消融实验表明，去除领域特定的排序项会使 MAP@10 下降约 12 %，将生成模型换成通用 GPT‑2 会使 BLEU 下降约 9 %。人工评估者将 TeleDoCTR 的草稿报告评为“可交付”的比例为 78 %，而基线为 45 %。

实际意义

• 更快的工单分流 – 自动路由减少了分配工单的人工工作量，使高级工程师能够专注于复杂案例。
• 知识复用 – 通过展示最相关的历史事件，系统减少了重复工作，并帮助新员工从历史修复中学习。
• 草稿报告作为起点 – 工程师可以编辑简洁的 AI 生成分析，而不是从头撰写，从而加快解决流程。
• 可扩展到其他领域 – 模块化设计（分类 + 检索 + 生成）可以在任何拥有丰富工单历史的行业重新训练（例如云服务、ITIL 支持）。
• 成本降低 – 初步 ROI 计算表明，中型电信运营商在采用 3 个月后，支持人工成本可降低 15–20 %。

限制与未来工作

• 数据隐私与偏差 – 该模型在专有工单上进行训练；将其扩展到多租户环境需要强大的匿名化和偏差缓解策略。
• 领域漂移 – 快速演进的电信标准（5G、边缘计算）可能超出用于排序的静态本体的适应速度，需要持续更新。
• 人机交互验证 – 虽然生成的报告质量很高，但系统仍然依赖专家审查来处理安全关键事件。
• 作者提出的未来方向 包括：
  1. 将实时网络遥测作为额外上下文纳入。
  2. 探索强化学习以优化端到端的平均修复时间（MTTR）目标。
  3. 将流水线扩展到全球运营商常见的多语言工单流。

作者

• Mohamed Trabelsi
• Huseyin Uzunalioglu

论文信息

• arXiv ID: 2601.00691v1
• 分类: cs.LG, cs.CL, cs.IR
• 出版日期: 2026年1月2日
• PDF: 下载 PDF