中国铁路围绕安全主题建立了车务、机务、工务、电务、车辆等各专业安全监测系统。系统中包含了大量文本、语音、图像等各种非结构化数据,其中文本数据占这些数据中的绝大多数。铁路工务段负责对铁路线路及相关设备的维修与保养,所以对铁路工务段中的文本处理挖掘能为铁路安全维护工作提供帮助。铁路工务段的违规记录数据主要是指:在工务段工作检查阶段,工作人员发生了违规操作时,铁路检查人员将具体违规行为记录并上报时产生的文本数据。违规数据由检查人员负责发牌定责。由于部分检查人员对业务不熟悉等情况,造成违规操作内容与实际发牌情况不符,此类数据称为异常标注数据。异常标注数据给铁路系统的数据管理造成不便,可能会给铁路安全留下隐患。通过对某铁路局的工务段数据进行分析,发现文本内容多为短文本且不同类别的数据严重不均衡。通过对当前机器学习算法进行调研,本文结合特征选择、样本采样和集成学习等多方技术来实现对异常标注文本数据的检测。对本文梳理总结,整体创新点和贡献主要如下:(1)在传统的特征选择上做改进,并进行同义词融合,提出一种新的特征选择算法:融入类别信息的TF-IDF算法,并通过实验证明了算法的有效性。(2)提出了一种双向文本过采样的方法,由于数据不平衡,分类模型训练时在样本数较少的类别上容易出现欠拟合,使用双向文本过采样能够有效缓解分类模型在少数类上的欠拟合现象,并通过实验证明本文提出的过采样方法能够有效提高整体的分类效果。(3)提出了一种融合ATPE的XGBoost算法,XGBoost性能优良,但是铁路业务繁杂并且数据种类较多,XGBoost模型包含大量超参数,因此人工调整参数法和随机搜索法存在局限性。融合ATPE的XGBoost算法能够在有限迭代次数中找到较优的参数组合,并进一步提高XGBoost模型对铁路工务段文本数据的分类能力。最后,本文基于以上模型实现了铁路异常文本标注系统,该系统能够有效地从大量的铁路工务段违规记录数据中找出异常标注数据,同时提供发牌功能,为铁路安全管理提供帮助。