随着企业管理的日益规范化,其IT系统大多由专业的解决方案团队不间断地实施监控和管理,系统出现的任何问题或维修请求都会以工作票的形式进行汇报。工作票中包含了有关问题的各种细节描述,了解这些细节并实现工作票自动分类、准确预测问题类型,可以帮助维护人员快速找到解决方案,帮助服务商降低系统维护成本,提高服务质量。虽然工作票具有很高的应用价值,但问题细节往往隐藏在复杂的信息中,难以精炼,且包含丰富的语义元素,导致传统的工作票分类方法难以准确预测问题类型。由于本体充分考虑了概念间的层次关系及约束,可有效解决工作票中信息混杂且语义元素丰富等问题,因此本文对基于本体的工作票自动分类方法展开研究,以准确定位问题细节、提高工作票分类准确率为目标,帮助企业降低系统维护成本。本文对工作票分类的关键性技术,如领域本体、文本表示模型、分类算法等进行了研究,主要工作如下:1.提出一种基于LSA和聚类融合的历史工作票问题类别异常检测方法。该方法利用LSA的降维、去噪特性以及聚类融合的鲁棒性,对历史工作票中问题类别异常的数据进行检测。并在来自于真实IT系统的工作票数据进行了实验,结果表明该方法能有效提高问题类别异常工作票的检测率。2.构建了工作票领域本体模型。根据工作票特点,结合本体构建一般方法,阐述了工作票领域本体模型的构建流程。并在真实数据上进行了实验,结果表明该方法可有效实现工作票领域知识提取并高效构建领域本体模型。3.提出了一种基于领域本体的工作票自动分类方法。在工作票领域本体基础上,设计合理的工作票问题推理模型,概念向量空间模型和概念相似性度量算法;并进一步采用K近邻分类器,结合工作票领域本体模型,对工作票进行自动分类。在真实数据上进行了实验,结果表明该方法能有效提高工作票分类的准确率。