tickets

PropertyPilot租户维护工单数据集是一个合成的、用于物业管理领域自然语言处理任务的数据集。该数据集包含10,500条模拟的公寓维护工单，覆盖20栋住宅楼，时间跨度为2022年1月1日至2024年12月31日，语言为英文。数据使用Qwen2.5-7B-Instruct模型通过240个提示模板（10个类别 × 4个紧急级别 × 6种语气）生成，确保了99.9%的文本唯一性。每条工单记录包含20个字段，核心输入为租户的原始自由文本消息（`raw_text`），其他字段包括工单ID、建筑ID、单元号、维护类别（10类：管道、电气、暖通空调、电器、电梯、结构、害虫、公共区域、安全、噪音）、紧急程度（P1紧急到P4计划性维护）、租户语气（6类：礼貌正式、沮丧重复、恐慌大写、被动攻击、模糊困惑、多问题）、承包商ID、解决时长、解决说明、成本、创建时间戳、状态、建筑年龄（战前/新建）、复发标志以及多个承包商绩效指标（如平均解决时长、平均成本、成功率等）。数据集经过精心设计，类别和紧急程度分布均匀，无类别不平衡。它支持三个主要的下游AI任务：1) 工单分类（根据原始文本预测类别和紧急程度），2) 相似案例检索（使用嵌入模型和FAISS索引查找相似历史工单并推荐承包商），3) 工作订单生成（基于检索到的上下文由LLM起草工作订单和语气匹配的租户回复）。数据集经过了全面的探索性数据分析和质量审计，确认了其语义可分性和数据质量，但也存在已知限制，如数据完全合成、存在少量模板短语泄漏、承包商模型简化等。预计算的BGE嵌入和FAISS索引可在配套存储库中获取。The PropertyPilot Tenant Maintenance Work Order Dataset is a synthetic dataset for natural language processing tasks in property management. It contains 10,500 simulated apartment maintenance work orders, covering 20 residential buildings, with a time span from January 1, 2022, to December 31, 2024, and is in English. The data was generated using the Qwen2.5-7B-Instruct model with 240 prompt templates (10 categories × 4 urgency levels × 6 tones), ensuring 99.9% text uniqueness. Each work order record includes 20 fields, with the core input being the tenants raw free-text message (`raw_text`). Other fields include work order ID, building ID, unit number, maintenance category (10 types: plumbing, electrical, HVAC, appliances, elevator, structural, pest, common areas, security, noise), urgency level (P1 urgent to P4 scheduled maintenance), tenant tone (6 types: polite formal, frustrated repetitive, panicked caps, passive aggressive, vague confused, multi-question), contractor ID, resolution time, resolution notes, cost, creation timestamp, status, building age (pre-war/new construction), recurrence flag, and multiple contractor performance metrics (e.g., average resolution time, average cost, success rate). The dataset is carefully designed with uniform distributions across categories and urgency levels, avoiding class imbalance. It supports three main downstream AI tasks: 1) work order classification (predicting category and urgency from raw text), 2) similar case retrieval (using embedding models and FAISS index to find similar historical work orders and recommend contractors), and 3) work order generation (drafting work orders and tone-matched tenant responses by LLM based on retrieved context). The dataset has undergone comprehensive exploratory data analysis and quality audits, confirming its semantic separability and data quality, but has known limitations, such as being entirely synthetic, having minor template phrase leakage, and simplified contractor modeling. Pre-computed BGE embeddings and FAISS index are available in the accompanying repository.

原始信息汇总

数据集概览

• 数据集名称：PropertyPilot Tenant Maintenance Tickets
• 许可证：MIT
• 语言：英语
• 数据集规模：10,500 条记录（介于 10K 和 100K 之间）
• 数据集类型：文本分类、文本生成、特征提取
• 数据来源：使用 Qwen2.5-7B-Instruct 模型通过 Hugging Face Inference API 合成生成
• 主要用途：支持三个下游 AI 任务：
  • 工单分类（文本分类）
  • 相似案例检索（嵌入 + FAISS）
  • 工单生成（LLM 提示）

数据结构

数据集包含 20 个字段，涵盖工单内容、类别、紧急程度、租户语气、承包商信息、成本和时间等维度的信息。

核心字段示例：

字段名	类型	描述
raw_text	字符串	租户的原始维修信息，作为模型输入
category	字符串	10 个维修类别之一
urgency	字符串	紧急程度标签（P1–P4）
tenant_tone	字符串	6 种沟通语气之一
contractor_id	字符串	分配的承包商 ID
resolution_hours	浮点数	解决工单所需的小时数
cost_usd	浮点数	维修成本（美元）
status	字符串	工单状态：open / closed / scheduled

类别标签（10 类）： Plumbing · Electrical · HVAC · Appliances · Elevator · Structural · Pests · Common Areas · Security · Noise

紧急程度（4 级）：

级别	SLA 目标	含义
P1	4 小时	紧急 — 生命安全隐患
P2	24 小时	紧急 — 影响居住
P3	3–5 天	标准 — 生活质量
P4	7–14 天	计划 — 预防性维护

租户语气（6 类）： polite-formal · frustrated-repeat · panicked-caps · passive-aggressive · vague-confused · multi-issue

数据集特性与质量

• 文本唯一性：99.9% 的 raw_text 是唯一的。
• 类别平衡：10 个类别各约 1,050 条，分布均匀。
• 紧急程度平衡：4 个级别各约 2,625 条。
• 数据质量审计：对 100 条样本进行人工审计，97–100% 通过了所有六项检查（无回退文本、无 AI 拒绝短语、长度在 20–800 字符之间、有效紧急代码、有效类别、语义匹配）。
• 已知限制：
  • 数据集为纯合成数据，不能替代真实租户沟通。
  • 约 5% 的工单存在模板短语泄漏（常见的 4-gram 短语），但未泄露模型元数据，影响较低。
  • 约 3% 的工单存在类别不匹配（因多问题工单导致），属设计预期。

嵌入基准测试

在 200 个查询的评估集上对三个句子变换模型进行了基准测试（相关性定义为与查询共享相同类别和紧急程度）：

模型	Precision@3	MRR	延迟（10,500 向量）
BAAI/bge-small-en-v1.5 ✅	0.308	0.465	9.2 ms
sentence-transformers/all-MiniLM-L6-v2	0.300	0.450	8.8 ms
intfloat/e5-small-v2	0.282	0.428	9.5 ms

获胜模型：BAAI/bge-small-en-v1.5 预计算嵌入和 FAISS 索引可在0tizm0/propertypilot-recommender获取。

适用任务

数据集专为 PropertyPilot 系统中的三个 AI 任务设计：

1. 分类器：基于 raw_text 预测 category 和 urgency。
2. 推荐系统：使用 BAAI/bge-small-en-v1.5 嵌入和 FAISS 索引查找最相似的 3 个历史工单，并按绩效分数对承包商进行排序。
3. 生成器：基于检索到的上下文，由 LLM 生成工单描述和语气匹配的租户回复。

搜集汇总

数据集介绍

构建方式

该数据集由PropertyPilot团队精心构建，旨在为物业管理领域的自然语言处理任务提供高质量的合成数据。数据集的生成依托于Qwen2.5-7B-Instruct大语言模型，通过Hugging Face推理API调用，依据240个精心设计的提示模板（涵盖10种维修类别、4个紧急等级与6种租户语气）批量生成租户报修文本。每条报修记录的原始文本均由模型生成，其余字段如建筑编号、单位、紧急程度、承包商信息及费用等则根据种子参数确定性地推导得出。针对少量产生拒绝语句或模板化回退内容的样本，团队利用Qwen2.5-1.5B-Instruct模型在本地GPU上进行二次生成，最终实现了10,500条数据中99.9%的文本唯一性，确保了数据集的丰富性与多样性。

特点

该数据集规模适中，共包含10,500条公寓维修报修记录，覆盖20栋住宅楼，时间跨度从2022年至2024年。数据集的显著特点在于其结构化的多维度标签体系：每条记录包含20个字段，涵盖报修文本、类别（10类均衡分布）、紧急等级（P1至P4）、租户语气（6种风格）、承包商属性及成本效益指标等。数据经过严格的质量审计，对100条分层抽样样本进行六项标准的人工核查，通过率高达97%至100%。探索性数据分析揭示，类别与紧急等级呈均匀分布，无类别不平衡问题；文本语义多样性良好，UMAP投影显示类别间形成清晰聚类，为基于内容的检索提供了坚实基础。此外，数据集支持多项下游任务，包括文本分类、相似案例检索与工单生成，其预计算的嵌入向量与FAISS索引亦已公开，便于研究者直接使用。

使用方法

该数据集的使用极为便捷，研究者可通过Hugging Face的datasets库一行代码加载：`load_dataset("propertypilot/tickets")`，即可将全部10,500条数据以pandas DataFrame形式获取。数据集适用于三大核心任务：其一，多标签文本分类，可微调DistilBERT等模型从报修文本中预测类别与紧急等级；其二，相似案例检索，利用BAAI/bge-small-en-v1.5等嵌入模型结合FAISS索引，快速定位历史相似报修记录并排序承包商表现；其三，文本生成，基于检索到的上下文，驱动大语言模型自动起草工单及匹配租户语气的回复。数据集的预计算嵌入与FAISS索引已托管于关联仓库，可直接加载使用，显著降低了研究者的计算成本与入门门槛。

背景与挑战

背景概述

PropertyPilot Tenant Maintenance Tickets数据集由propertypilot团队于2024年创建，基于Qwen2.5-7B-Instruct模型生成，包含10,500条合成公寓维修工单，覆盖20栋住宅建筑。该数据集旨在推动物业管理领域的自然语言处理研究，聚焦三个核心下游任务：工单分类（文本分类）、相似案例检索（嵌入向量与FAISS索引）以及工单生成（大语言模型提示）。通过模拟真实维修场景，数据集为多标签分类、文本生成与特征提取任务提供了标准化基准，对智能物业管理系统的发展具有重要参考价值。

当前挑战

该数据集面临的核心挑战包括：1) 领域任务层面，工单分类需处理10个类别与4个紧急级别的多标签预测，且租户语气多样（6类），增加了语义歧义性；相似案例检索要求嵌入模型具备细粒度语义区分能力，以应对跨类别、跨紧急程度的工单匹配；工单生成需结合检索上下文进行多步推理，确保输出逻辑一致。2) 构建过程中，合成数据存在约5%的模板泄漏（4-gram短语重复）和约3%的类别标签歧义（多问题工单），尽管质量审计显示97-100%的样本通过六项检查，但合成数据的真实性与泛化能力仍需谨慎评估；此外，承包商标注基于随机采样简化模型，建筑年龄仅二值化，限制了某些分析的精度。

常用场景

经典使用场景

PropertyPilot Tenant Maintenance Tickets 数据集专为物业管理领域的自然语言处理任务而设计，其最经典的使用场景涵盖工单自动分类、相似案例检索及维修工单生成三大核心任务。在工单分类场景中，该数据集提供了10种维修类别（如管道、电气、暖通等）与4级紧急程度标签，支持多标签文本分类模型的训练与评估。同时，借助预计算的文本嵌入向量与FAISS索引，研究者可构建基于语义相似度的历史工单推荐系统，实现智能派单。此外，数据集还可用于指令微调大语言模型，使其能够根据租户描述自动生成结构化的维修工单与回复草稿。

衍生相关工作

该数据集的发布催生了多项富有影响力的衍生工作。研究者基于其文本嵌入与FAISS索引构建了开源推荐系统社区仓库（propertypilot-recommender），并进行了三种嵌入模型的全面对比（bge-small-en-v1.5在Precision@3达0.308），为工业界选择轻量级语义检索模型提供了实证依据。进一步地，有工作在此基础上探索了多任务联合训练框架，将工单分类、紧急度预测与成本估计整合至单一Transformer架构中。此外，该数据集启发了合成数据质量审计方法论，其揭示的模板泄漏问题（约5%工单存在通用短语重复）引发了对于大模型生成数据人工验证标准的深入探讨。

数据集最近研究

最新研究方向

该数据集聚焦于利用合成生成的物业管理工单数据，推动自然语言处理在智能设施管理中的前沿探索。当前研究热点集中于工单智能分诊（multi-label分类）、基于语义嵌入的相似案例检索（如BGE-small-en-v1.5结合FAISS实现高精度召回），以及利用大语言模型自动生成维修工单与个性化回复。该数据集通过精细模拟10种维修类别、4级紧急程度和6种租户语气，为多任务学习与跨领域迁移研究提供了高可控的实验平台。特别值得关注的是，其嵌入模型基准测试揭示了轻量级模型在Precision@3和MRR指标上的竞争力，为资源受限场景下的部署提供了实证依据。此外，数据质量审计中发现的模板泄露与多标签语义重叠问题，启发研究者构建更鲁棒的去偏算法与多标签判别模型，推动了合成数据在真实场景应用中的可靠性评估研究。