天津移動知識圖譜驅動的智能應答機器人系統

趙東明，石 理，田 雷，吳 娜

(中國移動通信集團天津有限公司 人工智能實驗室 天津300020)

1 建設背景

1.1 通信運營商提升客戶服務的需要

隨著中國移動業務復雜度的不斷提升，在應對營業廳、渠道等一線人員的服務請求時，會遇見各種各樣的系統問題，如故障、異常、投訴或疑難解釋，傳統的熱線服務模式存在服務效率瓶頸，面對口語化且多樣性極強的問題，難以面面俱到，急需引入“自服務，預服務，精準服務”的新理念，以知識圖譜技術驅動智能應答、投訴工單等服務系統進行快速響應，優化營業感知，提升內部滿意度。

1.2 解決倒三角服務支撐實際困難的需要

傳統的業務(運維)知識庫往往聚焦知識內容的整理，而對知識之間的邏輯關注較少，由于無法清晰表達知識之間的關系，傳統的關鍵詞、相關性分析等檢索方式效率低，知識點獨立且分散，機器人應答不智能。在運維服務工作中，需要將海量的中國移動業務支撐網運營管理系統(BOMC)工單、在線客服記錄、業務需求文本進行語義、邏輯識別，抽取出實體(業務、故障、異常、需求等)之間的關系，在智能服務領域實現語義搜索、智能問答、可視化業務知識搜索，提升運維質量。

2 知識圖譜框架

2.1 知識圖譜總體架構

知識圖譜系統的構建目標，是旨在描述各種與運維相關的實體和概念之間的關聯關系(圖 1)。知識圖譜最常用的語義關系為“實體-關系-實體”與“實體-屬性-屬性值”[1]。中國移動的客戶服務領域存在各種復雜異常、故障、事件，知識圖譜是描述其內在聯系的最佳載體。知識圖譜是將知識實體之間的關系和邏輯進行圖形化展示的語義網絡，作為服務中臺核心組件，為客戶服務域的知識庫輸出邏輯搜索能力，為智能機器人輸出智慧應答能力，為工單處理輸出自動回復能力。為客戶關系管理/業務運營支撐系統(CRM/BOSS)等營業前端提供業務/服務/數據/事件之間復雜關系的結構化輸出，串聯運營與運維，為中國移動業務、服務、營銷、運維等全量場景提供圖譜化的實體邏輯支撐，驅動業務服務一體化，服務支撐智能化，海量數據處理自動化[2]。

圖1 知識圖譜系統架構Fig.1 Knowledge graph system architecture

2.2 知識圖譜能力輸出

知識圖譜是以 AI中臺為形態的能力集，對接數據源進行基礎數據獲取并訓練，對接智能應答機器人和智能知識庫進行能力輸出，對接前端業務系統進行界面靈活嵌套，實現高度收斂又靈活調用的 IT架構。核心引擎(AI中臺形態)具有強大的語義分析、意圖識別、上下文推理、槽位提取、多媒體智能交互的能力。針對不同場景進行了專項模型構建，如任務型多輪對話、問答解釋、日常聊天等，為內部用戶提供精準又便捷的智能服務，其中納入多種 AI技術形成混合模型，來驅動機器人精準理解用戶問題。通過相關性分析引擎、多輪對話引擎、圖譜引擎等模型的混合運用，實現不同場景下服務訴求的全覆蓋，通過知識圖譜實現基于歷史記錄的預測服務，通過單輪對話QA問答引擎實現常見問題模糊建設，通過多輪對話引擎(槽位填充)實現服務任務自服務，通過運維知識圖譜實現海量投訴工單的語義提取和信息匯總，從而支撐復雜疑難問題的回復，輔以歷史投訴工單和新需求上線的相關輔助推薦，確保問題能得到合理反饋，機器人服務感知良好。

3 知識圖譜構建

針對中國移動內部運維場景，提出運維知識圖譜系統的構建方法，遵循自底向上的構建邏輯，通過從業務數據域、基礎數據域、應用渠道域等獲取海量非結構化數據，進行數據清洗和語義分析，并輔以原子化知識庫中的固有內容，以無監督/有監督兩種模式自動構建面向移動業務服務的知識圖譜；針對運營商復雜的投訴和異常場景提出針對性解決方案，包括聚類向分類轉變解決源數據的信息不足問題、構建知識圖譜的關系權重體系，實現精細化展示推薦、通過混合匹配模型提高長尾問題的分類精度等，實現了業界首創的專業知識圖譜系統，對業務和服務前端渠道提供知識檢索及知識推薦，使知識庫、智能應答、工單處理等領域提升效能。

構建知識圖譜的主要步驟分為：模式設計、數據清洗、實體識別、關系識別以及知識融合。知識圖譜的構建過程是一個整體，模式設計決定了知識圖譜抽取文本中語義的關鍵節點，將文本信息轉化為知識圖譜模式中的實體節點，是知識圖譜自動構建的基礎框架；數據清洗是確保海量文本中過濾異常短語，確保文本在 AI中順利完成構建的準備過程；知識圖譜的組織方式是“實體-關系-實體”，在運維圖譜中，實體代表對故障的描述、故障原因和解決方案，通過海量工單文本中提取實體信息，自動進行聚類，可以生成圖譜中全量實體節點，進而在下一次客戶服務時進行圖譜檢索自動推送答案；關系識別，是將實體之間的潛在關系進行挖掘的過程，必須先提取到實體再提取關系，確保不同類型實體在進行知識答案生成時上下文邏輯正確(圖 2)。知識融合，是確保同一類問題不同表述情況下的層次聚類過程，避免相同答案被作為不同實體進行推送，提升感知。

圖2 運維知識圖譜構建過程Fig.2 Construction process of operation and maintenance knowledge graph

4 知識圖譜在智能應答場景的應用

4.1 語義搜索及可視化

知識圖譜是語義搜索的大腦，傳統搜索引擎基于用戶輸入的關鍵詞，檢索后臺數據庫中的知識，將包含搜索關鍵詞的知識鏈接反饋給用戶。語義搜索則首先將用戶輸入的關鍵詞映射至知識圖譜中的一個實體或概念，然后根據知識圖譜中的概念層次結構進行解析和推理，向用戶反饋豐富的相關知識，精準且高效。

4.2 智能機器人問答

知識圖譜賦予機器人語言理解能力，通過對用戶問題進行分詞、長句理解、語義解析，提取關鍵語義并與知識圖譜模板匹配，獲取到圖譜實體或屬性內容，在圖數據庫查詢并完成消息整合后，以機器人形式與用戶進行服務應答，通過知識圖譜豐富的邏輯關系能力提升機器人智能感知。

4.3 投訴工單自處理

知識圖譜賦予投訴工單智能處理能力，通過對工單內容進行實體提取和語義理解，獲取到圖譜實體或屬性內容，將多個解決方案合并后形成處理意見，自動推送到工單處理人待辦，提供工單回復建議模板，實現投訴工單的自動分析、自動處理、自動回復。

4.4 個性化推薦

知識圖譜提供基于語義網絡的智能推薦能力，根據客戶在知識圖譜中的查詢歷史記錄，以及行業知識圖譜的豐富知識，快速挖掘客戶潛在服務訴求，實現精準服務內容推薦。例如，基于故障間的關聯信息構建知識語義網絡，當用戶輸入故障現象并尋求解決方案時，基于知識圖譜向用戶做類似問題處理結果、咨詢建議、業務管理規定等相關個性化內容的推薦。例如向用戶推薦“你還可能感興趣的有” “猜您喜歡”或者是“其他人還在搜”等內容。

5 結 語

通過開發一套面向中國移動客戶服務的知識圖譜智能應答系統，持續增強針對業務一線的服務能力，提升運維服務效率，為此需要打造一體化的知識圖譜運營管理體系，以自然語言理解、認知概念網絡等技術為核心，融合人臉識別、語音轉寫、知識圖譜、推薦算法等技術，重點提升多媒體交互和智慧運營能力，以熱線服務、在線服務、工單協同、人臉/語音識別、智能知識庫等方式，受理領域內部用戶的故障處理、異常查詢、業務咨詢、投訴申告等訴求，提升內部用戶的服務感知。