要解决的问题

市场整机更换，从更换到返厂拆检确认问题原因，平均历时2个多月，重大问题不能早预警、早分析、早解决。

解决思路

整机更换时，维修服务人员会填写维修过程信息，包括故障现象、可能原因、维修方案、协调内容、费用明细等，在数据库中保存在一个字段里。与此同时，返厂拆检确认的原因分类，也已保存至数据库中。通过建立维修过程信息和拆检原因分类的模型，对未拆检的更换原因进行预测，提升响应速度。

数据管道

graph LR
subgraph 数据抽取与转换
   direction LR
   a((市场换机数据)) -.-> e[LLM关键信息提取] -.-> c[数据抽取与处理]
   a --> c
   b((拆检数据)) --> c
   c --> d((分析用结果表))
end
subgraph 模型训练
   direction LR
   d --> f[文本向量化]
   f -- X --> g[模型训练]
   d -- y --> g
end
subgraph 结果应用与存储
   direction LR
   g --> h((结果存储))
end

模型规划及测试

  1. 原始文本处理： 选项一：直接使用原始信息；
    选项二：从原始信息提取有效信息。使用deepseek-r1，通过结构化提示词，提取故障现象、原因分析、处理措施、责任归属，以json形式返回。

  2. 文本向量化： 选项一：统计模型。jieba分词，使用scikit-learn TfIdfVectorizer；
    选项二：语义模型。使用bge-large-zh-v1.5。

  3. 分类模型： 选项一：使用scikit-learn svm.SVC； 选项二：使用lightgbm LGBMClassifier。

  4. 测试及选择：

序号 方案 参数设置 准确度
1 原始信息 + TfIdfVectorizer + SVC TfIdfVectorizer max_features=1000, SVC kernel=’linear’ 65%
2 抽取信息 + TfIdfVectorizer + SVC deepseek-r1 temperature=0.7, TfIdfVectorizer max_features=1000, SVC kernel=’linear’ 65%
3 抽取信息 + TfIdfVectorizer + LGBMClassifier deepseek-r1 temperature=0.7, TfIdfVectorizer max_features=1000 18%
4 抽取信息+ bge-large-zh-v1.5 + LGBMClassifier deepseek-r1 temperature=0.7 16%

基于成本和效率考量，选择方案1。

模型表现差异原因分析

业务识别：原因预测是对维修过程信息进行符号处理，需要精确区分。

模型表现差异的原因：

  1. TF-IDF与bge-large-zh-v1.5向量化的差异：
    • TF-IDF：生成高维、稀疏、正交向量，符号区分度高；
    • bge-large-zh-v1.5：高维、稠密、旋转向量，近似语义区分度低。
  2. SVC与LightGBM的差异：
    • SVC：几何，基于支持向量，寻找空间中的最佳分割面，适合小样本，适用于高维、稀疏、同质化特征；
    • LightGBM：逻辑，基于树，通过一系列If-Then规则的组合来逼近答案，样本越大越好。适用于语义解耦、稠密的结构化特征（表格数据）。
  3. 降低deepseek-r1 temperature=0.3后，使用TF-IDF + SVC，模型准确度反而下降10%左右，看来模型抽取损失了一些信息。