arXiv cs.AI· Vladimir Beskorovainyi·· 9 天前AI 评分23
AI Appeals Processor：政府服务中公民申诉自动分类的深度学习方法
AI Appeals Processor: A Deep Learning Approach to Automated Classification of Citizen Appeals in Government Services
AI 导读
AI Appeals Processor 在纯 CPU 政府环境中部署，对 10,000 条俄语公民申诉做三分类，BERT 在 1,500 条测试集上达 82% 准确率，Word2Vec+LSTM 为 78%，均高于人工操作员的 67%。
正文 · AI 翻译
摘要：政府机构必须在法定期限内对每一位公民的申诉进行登记、分类和分派，而其中大量工作仍由人工完成。我们介绍 AI Appeals Processor，这是一个部署在仅使用 CPU 的政府环境中的分类与分派组件，并报告其评估与部署带给我们的经验。在来自跨领域数据集的 10,000 条真实俄语申诉上，我们针对三分类申诉类型任务，比较了词袋模型和 TF-IDF 与 SVM、fastText、Word2Vec+LSTM 以及多语言 BERT。在由 1,500 条申诉组成的留出测试集上，BERT 达到 82% 的准确率，Word2Vec+LSTM 为 78%，而单个操作员在由专家裁定的黄金标准上测得为 67%。我们部署了 LSTM：在操作员会核验每个预测的工作流中，其较低的训练成本使得基于操作员核验标签进行频繁再训练变得可行，而四个百分点的准确率差距并未改变操作员的任务。端到端处理时间在四个申诉长度区间内下降了 53-56%（未加权均值从 22.5 分钟降至 10.25 分钟）；其中模型推理耗时不到两秒。大多数残余错误源于标签分类体系而非模型：投诉与申请的法定定义存在重叠，且许多申诉带有两种意图。部署后对生产分类进行的审计——在若干轮再训练周期之后进行，且由看到所分配类别的操作员完成——判定超过 95% 正确；我们解释了为何这一数字无法与测试集结果相比较。
| 评论： | 11 页，6 个表格。v2 修正了参考文献列表，增加了置信区间、对生产审计的描述，以及关于部署经验、局限性和伦理考量的章节；所有测试集结果均未改变 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| ACM 分类： | I.2.7 |
| 引用为： | arXiv:2604.03672 [cs.CL] |
| （或 arXiv:2604.03672v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2604.03672 arXiv 通过 DataCite 颁发的 DOI |
|
| 相关 DOI： | https://doi.org/10.5281/zenodo.19393274
链接到相关资源的 DOI |
提交历史
来自：Vladimir Beskorovainyi [查看电子邮件]
[v1]
2026 年 4 月 4 日星期六 10:03:53 UTC（12 KB）
[v2]
2026 年 10 月 8 日星期四 06:07:59 UTC（17 KB）
来源：arXiv cs.AI · arxiv.org