南宫NG28建设

1研究背景

1.1業務痛點及需求

當前，智能客服機械人的應用場景越來越廣泛，在銀行、通信、電商、餐飲等行業，無論是電話客服，還是網絡客服都存在使用智能客服機械人來代替人工客服的案例。其主要業務痛點及需求表現為：

1)在不少企業的售前諮詢、售後客服場景中，每天有很多的客戶提問一些常規性問題，導致人工客服工作繁瑣重複，客服的人力成本居高不下。

2)在企業的反饋高峰時段，如行業促銷活動期間、新產品上市期間，由於人工客服有限，導致在線用戶提問排隊時間很長，極大的影響了用戶的體驗。

3)人工客服人員水平層次不齊，導致服務質量高低不平。不但無法給出最合理規範的服務，而且連對客服人員的服務質量評估都非常困難。

1.2智能客服系統的應用現狀

1)實現了客服24小時在線，極大提高了諮詢響應效率。

2)對部分常見的簡單問題能夠給出標準化回答，但還不能完全替代人工服務。

3)顺利获得客戶語音的服務需求進行諮詢內容分流，把客戶快速地匹配到相關業務的人工客服。

4)有調查顯示，91.9%的受訪者使用過智能客服，其中，

57.9%的受訪者直言智能客服會經常答非所問，理解不了顧客提出的問題；

49.3%的受訪者認為智能客服會用固定的話術應付人，解決不了實際問題。

受訪者認為智能客服不足之處還包括：需要多次操作才能解答問題，費時費力(38.2%)；服務不親切，給人冷冰冰的感覺(35.2%)；變成商家拖延時間的「擋箭牌」，遲遲不能解決問題(30.5%)。

2研究目標

2.1提高客戶服務的覆蓋率

1)第一階段目標：讓具備服務碼的客戶接通率由85%提高到95%；

2)第二階段目標：智能客服機械人與人工客服的組合對所有客戶（大客戶、一般性客戶、有購買意向的客戶）實現7*24小時的電話服務在線；

3)接入微信、飛信、電話客服、郵件客服，實現多方位覆蓋的立體客戶服務機制。

2.2提高客戶服務的滿意度

1)對客戶語音的服務需求進行諮詢內容分流，把客戶快速地匹配到相關業務的人工客服；

2)針對客戶的問題描述，向人工客服给予輔助決策支持，標準化應答內容和問題處置方法；

3)利用客戶基本信息和運維歷史信息，從服務對象角度對客戶進行刻畫，一方面驗證客戶身份，另一方面搜集已有的服務數據，簡化服務流程；

4)顺利获得客戶滿意度反饋，優化智能客服機械人的相關參數與算法，顺利获得長期評估與優化機制，提高客服機械人的智能性與服務質量。

3解決方案

3.1整體方案

智能客服需要顺利获得自然語言處理技術對客戶與客服溝通形成的問答文本進行處理，將非結構化數據變為由詞語和語句形式存在的半結構化數據。

顺利获得詞頻共現和語義距離等方法統計計量問答數據的上下文語義關係，作為知識抽取、基於語義的表示訓練模型的數據預處理過程。

設計基於機器學習的智能客服機械人算法引擎，主要包括計算模型設計、學習模型訓練、基於問答效果反饋的學習模型優化。

3.2算法引擎方案其一

基於概率因子圖模型的「問-答」預測

實現難點

1)需要對文本中來源自客服的語句進行人工標註，區分哪些語句是問題事實闡述，哪些語句是問題處理答覆的，哪些客服回復的語句是正確的，哪些客服回復的語句是錯誤的。

2)動態規則庫可以顺利获得「問題處理」部分的關鍵字信息檢索進行構建，顺利获得反饋機制進行優化，但是最終可能還是需要人工校驗。

功能擴展

因為構建了客服問題分析的概率因子圖，所以可以有效定位與問題相關的概率圖模型，結合客服操作的歷史數據和平行坐標軸、桑基圖和矩形樹圖之類的可視化模型，在問題複雜需要人工客服介入時，给予直觀的輔助分析。示例圖如下：

桑吉圖示例

矩形樹圖示例

3.3算法引擎方案其二

基於知識圖譜的「問-答」推理

實現難點

1)知識圖譜的構建難度與客服管理數據庫的設計和數據質量成反比，知識融合與知識補全的難度與客服錄音文本的數據有效性和領域知識的複雜性成反比；

2)知識推理一方面依賴於選定合適的推理機，另一方面依賴於概念和實體的斷言集合（本體中的公理），非常依賴於先驗知識的準確性；

3)基於深度學習的文本表示學習方法很多，但是大多需要基於應用場景做優化。

功能擴展

1)顺利获得將其他的RDFs庫融入知識圖譜，可以極大的提高客服機械人的服務範圍。

2)能夠實現更複雜的應用需求，比如分析客戶提出問題的潛在意圖，在給與滿足問題描述的回答後，可以主動向客戶给予更多的案例信息；

3)支持不僅限於文本的回覆內容，例如可以向客戶给予相關的操作流程示意圖、產品演示視頻、專家解答音頻等其他富知識表現形式。

3.4方案對比