久久久亚洲国产精品,久久久久福利视频,久久久精品有限公司

一种基于混合专家模型的多模态工单数据智能处理方法

电子技术应用

于重，许文静，安宁，刘珠慧

国务院国有资产监督管理委员会干部教育培训中心

摘要： 智能工单系统是企业数字化转型的核心支撑平台。当前，智能工单系统面临多源异构数据的跨模态冗余及语义冲突问题，传统基于单模态处理架构的大语言模型（Large Language Model，LLM）存在关键信息漏检率高、数据清洗效果差的缺陷，严重制约了工单系统智能化发展。针对该问题，混合专家模型（Mixture of Experts，MoE）可通过动态路由机制自适应分配多模态数据至特定专家网络，在提升跨模态特征融合精度的同时显著优化计算效率。基于此，提出一种基于混合专家模型的多模态工单数据智能处理方法。首先基于DeepSeekMoE架构设计了一种语义分析模型，以实现跨模态数据的特征解耦与关键内容提取。其次提出基于Thinker-Talker的多模态特征融合架构，有效提升冗余数据利用率与语义一致性。最后设计非结构化数据清洗与结构化表单生成算法，完成原始数据的降噪清洗与语义增强，输出符合规范的结构化工单。消融实验表明，该方法在私有化数据集上的信息提取精度达92.7%，较传统工单处理方式的标准符合度提升36.2%，为智能工单系统多模态数据处理提供了可扩展的技术范式。

關鍵詞： 智能工单系统多模态数据处理大语言模型数据清洗

中圖分類號：TP39 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.256746
中文引用格式： 于重，許文靜，安寧，等. 一種基于混合專家模型的多模態工單數據智能處理方法[J]. 電子技術應用，2025，51(9)：1-10.
英文引用格式： Yu Zhong，Xu Wenjing，An Ning，et al. An intelligent processing method for multimodal work order data based on mixture of experts model[J]. Application of Electronic Technique，2025，51(9)：1-10.

An intelligent processing method for multimodal work order data based on mixture of experts model

Yu Zhong，Xu Wenjing，An Ning，Liu Zhuhui

SASAC Education and Training System

Abstract： Intelligent work order systems are core platforms for enterprise digital transformation. However, current systems face challenges in cross-modal redundancy and semantic conflicts caused by multi-source heterogeneous data. Traditional large language models (LLMs) relying on single-modal architectures exhibit high rates of critical information omission and poor data cleaning performance, severely hindering system intelligence. To address this, the Mixture of Experts (MoE) model adaptively distributes multimodal data to specialized expert networks through dynamic routing mechanisms, enhancing cross-modal feature fusion accuracy while optimizing computational efficiency. This paper proposes an MoE-based intelligent processing method for multimodal work order data. Firstly, we design a semantic analysis model using the DeepSeekMoE architecture to achieve feature decoupling and key content extraction from cross-modal data. Secondly, we introduce a Thinker-Talker multimodal feature fusion framework to improve redundancy utilization and semantic consistency. Finally, we develope an unstructured data cleaning and structured form generation algorithm to denoise raw data, enhance semantics, and output standardized work orders. Ablation experiments demonstrate that our method achieves 92.7% information extraction accuracy on a private dataset, with a 36.2% improvement in compliance with processing standards compared to traditional methods, providing an extensible technical paradigm for intelligent work order systems.

Key words : intelligent work order system；multimodal data processing；large language model（LLM）；data cleaning

引言

智能工單系統的多模態數據分析與處理是提升業務系統數字化、智能化水平的關鍵步驟，承擔著客戶服務請求響應[1]、資源調度優化與業務流程協同的關鍵職能。然而，面對復雜業務場景中多模態數據分布不均、非結構化數據占比高、圖像文字信息驗證困難的特殊場景，現有工單系統存在分類效率低、數據清洗耗時長、跨模態驗證準確率低的問題，嚴重制約了工單處理的自動化水平。

現階段工單系統主要依賴單模態優化技術提升處理效率，但對多模態工單數據的協同處理能力較低。一方面，多源異構數據存在跨模態冗余與語義沖突，導致數據解析過程中關鍵信息漏檢率偏高；另一方面，基于單模態處理的大語言模型難以有效捕捉跨模態關聯特征，導致結構化表單生成數據精度偏低，嚴重制約了工單處理的智能化水平。

目前學術界在多模態數據處理領域取得階段性進展：甘卓浩等[2]提出一種基于跨模態交互 Transformer 的多模態方面級情感分析模型，通過文本語義增強模塊融合圖像標題與原始文本以彌補情感語義缺失；聶佳莉等[3]提出了一種基于卷積神經網絡和注意力機制模型的多模態特征融合波束賦形方法，以實現感知輔助的高可靠通信；此外，Kettenring[4]、Groves[5]和Martínez-Montes[6]等人也分別提出了不同的分析模型。然而，現有研究仍存在局限：一是跨模態冗余數據的協同利用率不足，關鍵信息漏檢率高；二是多模態特征融合缺乏語義一致性保障，數據清洗與結構化生成環節割裂。

本文針對上述挑戰提出系統性解決方案。首先，基于DeepSeekMoE架構設計多模態語義分析模型，分別構建面向語音、文本、圖像數據的領域專家子網絡，實現了跨模態數據的特征解耦與關鍵內容提取，完成非結構化數據的降噪清洗與語義增強。其次，提出基于Thinker-Talker的多模態特征融合架構，對異構數據的深層語義進行表征映射與沖突消解，實現多源特征的互補性驗證，有效提升冗余數據利用率與語義一致性。最后，針對工單生成場景設計了非結構化數據清洗與結構化表單生成算法，動態抓取系統日志、設備狀態等輔助信息，通過雙向約束校驗機制實現字段完整性驗證與異常修正，最終輸出符合相關標準的結構化工單。

本文結構如下：第1章介紹基于大語言模型的多模態數據處理技術的發展與技術現狀；其次給出基于DeepSeekMoE架構的多模態語義分析模型；然后提出基于Thinker-Talker的雙通道多模態特征融合架構；接著介紹了非結構化數據清洗與結構化表單生成算法在智能工單系統的實證應用；最后對提出的方法進行了消融實驗驗證其性能。

本文詳細內容請下載：

http://m.tom3567.com/resource/share/2000006679

作者信息：

于重，許文靜，安寧，劉珠慧

（國務院國有資產監督管理委員會干部教育培訓中心，北京 100053）

Magazine.Subscription.jpg

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容