ARTICLE

Volume 3,Issue 9

Cite this article
1
Download
6
Citations
43
Views
28 April 2026

一种基于 BERT 预训练模型的电商工单分类方法

新年 毛1 ,  元甲 徐1
Show Less
1 上海杉达学院, 中国
TACS 2026 , 3(8), 129–132; https://doi.org/10.61369/TACS.2026080006
© 2026 by the Author(s). Licensee Art and Technology, USA. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution -Noncommercial 4.0 International License (CC BY-NC 4.0) ( https://creativecommons.org/licenses/by-nc/4.0/ )
Abstract

电商行业规模不断扩大,平台客服工单数量激增,传统人工分类存在成本高、处理滞后、分类标准不统一等短板;同时浅层文本分类模型无法适配工单口语化、多歧义、样本类别失衡的文本特点。为此,本文提出融合类别不平衡优化与人机协同阈值调控的 BERT 电商工单自动分类方法。方法以 BERT 预训练模型提取工单深层语义,弥补传统模型语义表征能力不足的问题;通过重采样与损失加权方案改善类别分布失衡引发的分类偏差;构建人机协同动态阈值机制,划分高置信度自动处理样本与低置信度人工复核样本,平衡分类精度与业务处理效率。基于 5000 条真实电商工单数据集开展实验,基础 BERT 模型准确率达 92.3%、宏平均 F1 值 91.4%,较 SVM、TextCNN 基线模型分别提升11.1、4.8 个百分点;叠加类别平衡采样与数据增强后,准确率、宏平均 F1 值再度提升 4.7、5.5 个百分点。落地应用结果表明,该方案可大幅缩减人力投入,日均 5000 条工单场景下,分类人力由 6 人降至 1 人,每年节约人工成本12 至 15 万元。该方法既能提升工单自动化处理效率,又兼具理论研究价值与实际落地价值。

Keywords
BERT
电商工单
文本分类
类别不平衡
人机协同
References

[1] 中国互联网络信息中心. 第 57 次中国互联网络发展状况统计报告 [R]. 北京:中国互联网络信息中心,2026.
[2] 阿里巴巴集团. 阿里智能客服系统白皮书 [R]. 杭州:阿里巴巴,2023.
[3] 文飞. 传统与大模型并举:中文文本分类技术对比研究 [J]. 智能计算机与应用,2024, 14 (06): 88-94.
[4] 刘晓明, 李丞正旭, 吴少聪等. 文本分类算法及其应用场景研究综述 [J]. 计算机学报,2024, 47 (6): 1321-1352.
[5] 王雪, 李萌. 基于深度学习的文本分类模型研究综述 [J]. 计算机工程与科学,2022, 44 (09): 1672-1681.
[6]Kim Y. Convolutional Neural Networks for Sentence Classification [C]//Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing, 2014: 1746-1751.
[7]Devlin J, Chang M W, Lee K, et al. BERT: Pre-training of Deep Bidirectional Transformers [C]//Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 2019: 4171-4186.
[8] 陈云, 王浩, 李佳. 面向不平衡数据的 BERT 文本分类优化研究 [J]. 中文信息学报,2023, 37 (2): 56-64.

Share
Back to top