Mašīnmācīšanās metodes ienākošo pieprasījumu klasifikācijai

Abstract

Darbā ir pētītas mašīnmācīšanās metodes ienākošo ziņojumu klasifikācijai. Darbs sastāv no teorētiskās un praktiskās daļas, kas risina klientu pieprasījumu automātiskās apstrādes problēmu. Teorētiskajā daļā ir sistemātiski aprakstītas teksta priekšapstrādes un pazīmju iegūšanas metodes, kas nepieciešamas teksta sagatavošanai modeļa apmācībai un pielietošanai. Īpaša uzmanība pievērsta populārām neirontīklu arhitektūrām dabiskās valodas apstrādei. Darbs ietver detalizētus praktiskus ieteikumus datu iegūšanai, modeļa izvēlei, darbam ar nevienlīdzīgi sadalītiem datiem un spējai apstrādāt iepriekš neredzētās kategorijas. Darba praktiskajā daļā ir veiksmīgi implementētas teorētiskajā daļā piedāvātas metodes, izveidojot funkcionējošu klasifikācijas modeli, demonstrējot tā efektivitāti klientu pieprasījumu klasificēšanā.

This study explores machine learning methods for incoming request classification. The study consists of theoretical and practical parts that address the problem of automatic customer request processing. The theoretical part describes text preprocessing and feature engineering methods necessary for preparing text data for model training and application. Special attention is given to popular neural network architectures for natural language processing. The study includes detailed practical recommendations for data acquisition, model selection, work with imbalanced datasets, and the ability to process previously unseen categories. In the practical part, the methods proposed in theoretical part are successfully implemented, creating a functional classification model, and demonstrating its effectiveness in customer request classification.