基于智能問答技術的供電營業廳客戶服務機器人創新應用研究

梁林森

摘 要：隨著客戶服務工作的不斷推進，為客戶提供的服務業務越來越多，客服工作人員的壓力越來越大，急需通過新的管理模式和技術手段來緩解客服工作人員的工作壓力，有效降低服務成本，提高服務效率。根據公司2018年營銷農電重點工作計劃要求，加快服務渠道轉型升級，深化“互聯網+”電力服務建設已成為客服建設的首要目標。目前使用的知識庫僅能通過關鍵詞或目錄查找知識文檔、對坐席的要求較高進而影響了知識的使用效率，增加了通話時長等不足和亟待優化的急迫性，逐漸在當前智能應答潮流、知識的多樣性等方面上越來越不能滿足業務的需要。文章應用技術基于成熟商用的語音識別、自然語音處理平臺與知識圖譜技術，在此之上，開展含地方特色的智能95598支撐系統關鍵技術研究及應用。

關鍵詞：智能客服；智能應用；自然語音處理；知識圖譜

1 核心技術研究及應用

1.1 知識庫的建設與模型的開發訓練

（1）收集整理供電營業廳客戶服務知識的范例，建立客戶服務語料庫、范例知識庫和知識圖譜。

（2）研發基于深度學習中的詞向量嵌入語義空間的信息檢索技術，提高人機會話業務咨詢的能力和高質量人機交互的體驗，建立基于語義理解的人工智能交互問答的業務應用智能檢索模型。

（3）應用上述研發的基于語義理解的智能檢索模型以及供電營業廳客戶服務語料庫和范例知識庫，開發并訓練出供電營業廳客戶服務的智能問答業務咨詢及業務辦理的機器學習模型，并進行實際應用場景的交叉驗證及優化機器學習模型。

（4）研發一款適用于供電營業廳服務的機器人客戶服務人工智能應用軟件。

1.2 基于AI驅動的智能知識庫系統關鍵技術研究及應用

（1）研究95598全業務知識圖譜構建技術，建立面向所有客戶服務渠道的知識管理方案。

（2）研究基于語義理解的搜索引擎技術，提高搜索的準確性和快速性。

（3）建立省級95598客服統一知識智能化平臺，開發省級智能知識庫系統，可實現問題自動聚類分析和挖掘擴展的目的。

（4）研究智能知識庫系統兼容性和擴展性，建立智能知識庫的對外服務接口、運維管理及安全管控標準規范，滿足智能互動式語音應答（Interactive Voice Response，IVR）、智能質檢的拓展運用。

1.3 含地方特色的智能IVR服務系統關鍵技術研究及應用

（1）研究含地方特色語音語言的語音模型和語義理解模型，不斷積累文本知識和高質量海量語音數據，并對上述模型自動訓練和優化，實現對客戶意圖的準確研判，幫助客戶快捷跳轉至對應的IVR服務，減少客戶與IVR交互次數，精簡客戶的操作。

（2）研究智能IVR導航全語音和半語音混合服務模式，建立快速服務場景流程與規范，以最優路徑解決客戶問題。

（3）在智能知識庫構架下建立自助語音服務知識體系，智能搜索和調取與客戶意圖相匹配的知識信息，開發省級智能IVR服務系統。

（4）建立智能IVR服務的客戶標簽庫，實現對客戶訴求熱點、難點進行聚類分析和自動預警。

2 NLP和知識圖譜技術

自然語言處理（Natural Language Processing，NLP，語義計算）和知識圖譜（Knowledge Graph，KG，知識計算）作為認知智能的關鍵技術，正成為智能應用中新的熱點，也是未來發展趨勢。這兩種技術在各個領域的應用場景有高度的重合，往往是互為依托、互為補充。業務為重心，以數據為中心。如何讓電力行業知識發揮作用依賴于這些關鍵技術。

2.1 智能問答和語義搜索

智能問答和語義搜索是NLP的關鍵技術，目的是讓用戶以自然語言形式提出問題，深入進行語義分析，以更好理解用戶意圖，快速準確獲取知識庫中的信息。

2.2 知識圖譜的邏輯架構

知識圖譜在邏輯上可分為模式層與數據層兩個層次。模式層構建在數據層之上，是知識圖譜的核心，通常采用實體庫來管理知識圖譜的模式層。

2.3 知識抽取

知識抽取是NLP的一種基礎技術，是NLP進一步進行應用數據挖掘分析的基礎，也是知識圖譜中知識抽取的基礎。采用的方法包括基于規則模板的槽填充的方法、基于機器學習或深度學習的方法。按抽取內容可以分為實體抽取、屬性抽取、關系抽取、規則抽取、事件抽取等。

2.4 知識融合

在獲得新知識之后，需要對其進行整合，以消除矛盾和歧義，某些實體可能有多種表達，如“電費”“電價”，某個特定稱謂也許對應于多個不同的實體等。

2.5 知識加工

對于經過融合的新知識，需要經過質量評估之后（部分需要人工參與甄別），才能將合格的部分加入知識庫中，以確保知識庫的質量。

3 人工智能技術的實際應用

傳統方式的人工客服是一個勞動密集型+知識密集型的工作，人工客服流動性非常大，客戶滿意度不高。大部分是機械重復的，還有很多沒有經過充分培訓很難給出準確解答。現在出現了越來越多的在線客服平臺，傳統服務模式受到沖擊，新型服務向自助或者在線式轉型，采用大數據+人工智能在客服領域能極大程度地降低成本、提高效率。

再就是營銷風險管控方面的應用，主要包括風險回避和損失控制等；也涉及一些反欺詐的識別，比如信用評級和評估，如營銷征信系統，衡量用戶信用情況的應用。本文針對的是智能問答應用而非風控系統應用，所以在這不細說。

技術應用需與具體業務場景切合，解決真實的業務問題，這對技術人員提出了很高的要求和挑戰。

筆者覺得有很多事情可以去做，搭建了一套智能咨詢服務平臺。咨詢是服務層面的。這個平臺面向外部用戶和內部用戶，是一個2B結合2C的模式。通過賦能B端用戶，提高C端服務質量。

面向外部用戶，目標用戶是誰？面向內部用戶，業務人員需要知識采編審閱用于內部培訓和交流，運營人員需要收集反饋和優化操作，我們都可以提供相應的輔助。

我們把這個平臺的技術概括成兩個引擎：知識學習引擎和語義理解的引擎。這其中人機協同也非常重要，行業的準確率要求接近100%，純靠機器是做不到的，需要讓人能更有效地參與，更好地貢獻知識。

智能問答有很多范式，2011—2012年出現了很多開元的知識庫和吸引眼球的嘗試，現階段任何一項技術，都有其天花板及適用性，在一個技術不能打遍全場的情況下，需要有多引擎的問答。

在真正使用智能問答時，需要綜合考慮數據來源、數據規模和構建成本等方面。

從技術形態來看，我們希望做到精確回答垂直領域的問題，但是這需要在本身的準確率、覆蓋率，以及用戶體驗等很多方面做綜合考慮，所以數據的來源，或者知識本身的形態會多種多樣。我們希望更加友好的、直觀可以判斷的技術能夠更好嵌入，來滿足多引擎的需求。

具體的工程實踐主要是4塊：數據收集；模型更新；上線發布；反饋收集。數據獲取通過技術層的領域詞挖掘、數據標注和審核，針對不同類型的數據服務有不同的任務。

4 結語

隨著客戶服務自身業務拓展的需求，客服工作人員的壓力越來越大，為有效降低服務成本，提高服務效率。采用大數據+人工智能技術與具體業務場景結合，最大限度地發揮AI技術的優勢，可以大大解決業務需求。業務為重心，以數據為中心，把這些關鍵技術深度應用于業務中。