電力行業智能客服關鍵技術設計與實現

廣東電網有限責任公司客戶服務中心 劉振華 康峰 蘇立偉 譚火超 蘇春明

傳統電力客服會話正確復述次數較低，問題識別能力隨之下降，設計電力智能客服實現技術。提取電力會話語義特征，分類識別各類語義；進行會話語義相似度計算，利用相似函數歸一化處理語義相似度；糾正智能會話相似詞匯，消除相似會話的識別誤差。實驗采用對比實驗的方式，驗證了電力智能客服實現技術的效果更佳。

隨著互聯網的發展，人們的生活方式不斷受到影響，網絡服務也已經成為現代人的主要服務模式，智能客服作為新時代下，網絡的智能化產物，逐漸深入各個領域，在電力方向發展是研究者的新方向[1]。傳統電力客服在識別問題方面較為復雜，正確復述次數較低，而造成這一現象的主要原因即為，傳統電力客服對語義識別不清晰，相關語義分類不明確，相似度計算效果差等因素[2-3]。本文將就此，摒棄以上缺點，研究電力智能客服實現技術，首先，提取用戶會話的語義特征，進行智能化識別；其次，計算用戶會話中的語義相似度，保證智能客服對各個語義相似度進行精準地區分；最后，糾正會話中的相似度詞匯，消除相似語句的識別誤差(如圖1所示）。根據以上方法，本文認為，可以滿足用戶需求，為提高電力用戶的服務質量創造條件[4]。

圖1 傳統電力客服會話系統Fig.1 Traditional electric customer service conversation system

1 電力智能客服實現技術設計

1.1 提取電力會話語義特征

會話的語義特征，表示會話互動問答的類型。本文設計的智能客服重點在于：解決用戶的電力問題，本文對會話語義特征結構進行提取，并作出說明。語義特征分類如表1所示。

表1 會話語義分類特征Tab.1 Conversational semantic classification characteristics

問題類由用戶產生，用戶進行信息咨詢，答案類對應問題類，由智能客服問答系統提供，用于回答顧客問題，問題類主要分兩種，一般問句和議價的問句。陳述類只是簡單的觀點陳述，因在信息咨詢中，地位處于次要，所以不對其進行更深層的處理。陳述類目的多樣，無明確問答關系，主要為情感或者觀點的表述。反饋類對應稱述類，由買賣雙方在肯定或者否定對方情感或者觀點產生，抑或者為虛擬詞，無明顯語義。祈使類于買賣雙方請求或者要求對方產生某種動作時產生，招呼類產生于問答開始前相互致意或者問答結束時雙方表示感謝，其他為噪聲類，主要為軟件自動答復類問題，或者嚴重偏離主題的對話內容。

由表1可知，本文設計的會話語義分類中，需要智能客服認可相關語義，進而識別、理解整個電力通話過程中的問題。本文設計的方法中，用戶發送的問題，均會有一個相對應的答案，這個答案是通過智能客服對上下文的聯系，得出相關答案。通過分類不同類型的會話語義特征，可以提高智能客服識別電力問題的能力，進而提高智能客服的識別能力[5]。

1.2 進行會話語義相似度計算

通過對會話語義的特征提取，基本可以提取出相似語義，進而計算會話中的語義相似度[6-7]。智能客服對語義有著不同的理解，需要對其下達一個短語指令，使其可以在不依賴其他詞的情況下，了解用戶提出的會話含義。因此在本文設計中，設計了智能客服訓練部分，訓練智能客服的詞向量，如表2所示：

表2 智能客服訓練的詞向量Tab.2 Word vector of smart customer service training

如表2所示，根據此電力詞向量的訓練，基本可以得出電力語義相似度的詞量，計算公式如下：

式（1）中，sigmoid（x）為語義相似度系數；e-x為相似詞向量。基于此得出的函數關系如圖2所示。

圖2 電力詞匯Sigmoid函數圖像Fig.2 Image of Sigmoid function of power vocabulary

由圖2可知，電力詞匯Sigmoid函數圖像可歸一化到處理語義相似度，在[0.1-0.3]范圍內，相似的語義判別效果較好。在[0.4-0.6]范圍內，語義相似度的判定能力較弱。

1.3 糾正智能會話相似詞匯

基于語義相似度計算，本文將糾正相似度詞匯分為兩部分。（1）相似電力文本預處理層，包括電力詞匯的校正。集中的句子一般會成對出現，語義相近的詞匯分別用Sentence L和Sentence S表示。為了減少相似詞匯對智能客服的影響，本文通過分類校正方式，校正電力詞匯結果。在糾正的電力詞向量表中，每個詞對應一個64維的電力詞向量，通過電力詞向量表，找到與其相對應的糾正答案[8]。（2）將電力詞向量輸入到智能客服的系統中，根據電力詞匯的語義差異，將兩個電力詞匯合并，進而糾正相似度詞匯，進一步提高電力智能客服的識別能力[9]。

2 實驗

本次實驗的數據集采用某電力公司提供的智能客服數據集，此數據集中共有5082對英文句子，分為相似語義與不相似語義兩類，即為正負樣本，正樣本3902對，負樣本1900對。此數據集是根據網絡收集，包括電力熱點話題，驗證本文設計的智能客服正確復述效果。

2.1 實驗過程

本文對電力智能客服的會話進行采樣，采樣得出樣本30492對，其中正負樣本數保持不變，按照6∶1的方式劃分采樣樣本，分別提取出5082對英文句子，將這類句子列為測試集，并打亂順序，剩余部分組成訓練集，得出樣本數據集的劃分如表3所示。

表3 數據集劃分表Tab.3 Data set partition table

如表3所示，將數據集劃分為訓練集與測試集，測試集即為本文的被測樣本，訓練集為訓練樣本。據此設置的實驗參數如表4所示。

如表4所示，為本次實驗的基本參數，實驗指標包括實驗環境、批次、實驗輪次、詞向量維度、激活函數、損失函數、優化器。根據此指標，設置相應函數，帶入到實驗中，得出結果如下[10]。

表4 實驗基本參數Tab.4 Basic parameters of the experiment

2.2 實驗結果

將5082個測試樣本通過測試集，最終定位64位詞向量，分為6輪次得到傳統技術與本文設計技術的復述次數，結果如表5所示。

表5 兩種技術復述次數結果Tab.5 Results of the number of repetitions of the two technologies

如表5所示，經過6輪次的實驗，在兩種智能客服的總復述次數相同的條件下，傳統客服正確復述次數與總復述次數相差200-2000條，復述效果差，識別能力相應下降；而本文設計的智能客服正確復述次數與總復述次數相差僅在0-10條左右，復述效果更佳，識別能力較強，符合本文研究目的。

3 結語

近年來，網絡的興起，不僅帶給人們新的音視頻觀感，并且帶動智能化的發展，使智能化逐漸滲透進各個領域。由于傳統客服識別效果不佳，導致客服行業與人們的矛盾增加。因此本文設計了電力智能客服實現技術，提取電力會話語義特征，對會話語義進行相似度計算，糾正了智能會話相似詞匯，提高智能客服識別電力問題的能力。采用某電力公司提供的智能客服數據集進行對比分析，驗證了本文設計的智能客服正確復述效果，為電力智能化發展創造價值。