فایل ورد کامل تفاهم نامه خدمات ایونت تیکت در مدیریت خدمات

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل تفاهم نامه خدمات ایونت تیکت در مدیریت خدمات،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۰ صفحه

۹ نتیجه گیری
این مقاله مشکل توصیه تصمیم گیری برای Ticket های نظارت را در مدیریت خدمات خودکار مطالعه می کند. سه مجموعه ticket نظارتی جمع آوری شده از یک زیرساخت خدمات تولید را تحلیل کردیم و تعداد وسیعی از تصمیم گیری های مکرر را برای Ticket های نظارت شناسایی کردیم. بر مبنای کار پیشین ما از توصیه مبتنی بر KNN، مقیاس شباهت را با استفاده از اطلاعات ایونت و تصمیم گیری از Ticket های تاریخی از طریق استخراج ویژگی سطح موضوع با استفاده از مدل LDA ( تخصیص دیریکله پنهان) بهبود دادیم. بعلاوه، مقیاس شباهت موثرتر با استفاده از یادگیری متریک آموزش دیده شد زمانی که دسته های تصمیم گیری در دسترس هستند.
چندین راه برای تحقیقات آتی وجود دارد. نخست، برنامه دادیم که تکنیک های طبقه بندی هوشمند را بررسی کنیم و توسعه دهیم تا به صورت اتوماتیک تصمیم گیری ها را برچسب زند (۵۷، ۵۸). دوم، سیستم توصیه کنونی ما از الگوریتم های مبتنی بر KNN به دلیل سادگی و کارایی شان استفاده می کند.. دیگر الگوریتم های پیشرفته را توسعه و مورد بررسی قرار می دهیم تا عملکرد توصیه را بهبود ببخشند. در نهایت، همچنین می خواهیم از استراتژی پرسش فعال برای توصیه های تصمیم گیری کاملا خودکار استفاده کنیم.

عنوان انگلیسی:Resolution Recommendation for Event Tickets in Service Management~~en~~

۹ CONCLUSION

This paper studies the problem of resolution recommendation for monitoring tickets in an automated service management. We analyze three sets of monitoring tickets collected from a production service infrastructure and identify a vast number of repeated resolutions for monitoring tickets. Based on our prior work of KNN-based recommendation, we improve the similarity measure by utilizing both the event and resolution information from historical tickets via a topic-level feature extraction using the LDA (Latent Dirichlet Allocation) model. In addition, a more effective similarity measure is learned using metric learning when resolution categories are available. There are several avenues for future research. First, we plan to investigate and develop intelligent classification techniques to automatically label resolutions [57], [58]. Second, our current recommendation system uses KNN-based algorithms due to their simplicity and efficiency. We will investigate and develop other advanced algorithms to improve the recommendation performance. Finally, we also plan to use an active query strategy to fully automate resolution recommendations.

$$en!!