1研究背景

1.1业务痛点及需求

当前，智能客服机器人的应用场景越来越广泛，在银行、通信、电商、餐饮等行业，无论是电话客服，还是网络客服都存在使用智能客服机器人来代替人工客服的案例。其主要业务痛点及需求表现为：

1)在不少企业的售前咨询、售后客服场景中，每天有很多的客户提问一些常规性问题，导致人工客服工作繁琐重复，客服的人力成本居高不下。

2)在企业的反馈高峰时段，如行业促销活动期间、新产品上市期间，由于人工客服有限，导致在线用户提问排队时间很长，极大的影响了用户的体验。

3)人工客服人员水平层次不齐，导致服务质量高低不平。不但无法给出最合理规范的服务，而且连对客服人员的服务质量评估都非常困难。

1.2智能客服系统的应用现状

1)实现了客服24小时在线，极大提高了咨询响应效率。

2)对部分常见的简单问题能够给出标准化回答，但还不能完全替代人工服务。

3)通过客户语音的服务需求进行咨询内容分流，把客户快速地匹配到相关业务的人工客服。

4)有调查显示，91.9%的受访者使用过智能客服，其中，

57.9%的受访者直言智能客服会经常答非所问，理解不了顾客提出的问题；

49.3%的受访者认为智能客服会用固定的话术应付人，解决不了实际问题。

受访者认为智能客服不足之处还包括：需要多次操作才能解答问题，费时费力(38.2%)；服务不亲切，给人冷冰冰的感觉(35.2%)；变成商家拖延时间的“挡箭牌”，迟迟不能解决问题(30.5%)。

2研究目标

2.1提高客户服务的覆盖率

1)第一阶段目标：让具备服务码的客户接通率由85%提高到95%；

2)第二阶段目标：智能客服机器人与人工客服的组合对所有客户（大客户、一般性客户、有购买意向的客户）实现7*24小时的电话服务在线；

3)接入微信、飞信、电话客服、邮件客服，实现多方位覆盖的立体客户服务机制。

2.2提高客户服务的满意度

1)对客户语音的服务需求进行咨询内容分流，把客户快速地匹配到相关业务的人工客服；

2)针对客户的问题描述，向人工客服提供辅助决策支持，标准化应答内容和问题处置方法；

3)利用客户基本信息和运维历史信息，从服务对象角度对客户进行刻画，一方面验证客户身份，另一方面搜集已有的服务数据，简化服务流程；

4)通过客户满意度反馈，优化智能客服机器人的相关参数与算法，通过长期评估与优化机制，提高客服机器人的智能性与服务质量。

3解决方案

3.1整体方案

智能客服需要通过自然语言处理技术对客户与客服沟通形成的问答文本进行处理，将非结构化数据变为由词语和语句形式存在的半结构化数据。

通过词频共现和语义距离等方法统计计量问答数据的上下文语义关系，作为知识抽取、基于语义的表示训练模型的数据预处理过程。

设计基于机器学习的智能客服机器人算法引擎，主要包括计算模型设计、学习模型训练、基于问答效果反馈的学习模型优化。

3.2算法引擎方案其一

基于概率因子图模型的“问-答”预测

实现难点

1)需要对文本中来源自客服的语句进行人工标注，区分哪些语句是问题事实阐述，哪些语句是问题处理答复的，哪些客服回复的语句是正确的，哪些客服回复的语句是错误的。

2)动态规则库可以通过“问题处理”部分的关键字信息检索进行构建，通过反馈机制进行优化，但是最终可能还是需要人工校验。

功能扩展

因为构建了客服问题分析的概率因子图，所以可以有效定位与问题相关的概率图模型，结合客服操作的历史数据和平行坐标轴、桑基图和矩形树图之类的可视化模型，在问题复杂需要人工客服介入时，提供直观的辅助分析。示例图如下：

桑吉图示例

矩形树图示例

3.3算法引擎方案其二

基于知识图谱的“问-答”推理

实现难点

1)知识图谱的构建难度与客服管理数据库的设计和数据质量成反比，知识融合与知识补全的难度与客服录音文本的数据有效性和领域知识的复杂性成反比；

2)知识推理一方面依赖于选定合适的推理机，另一方面依赖于概念和实体的断言集合（本体中的公理），非常依赖于先验知识的准确性；

3)基于深度学习的文本表示学习方法很多，但是大多需要基于应用场景做优化。

功能扩展

1)通过将其他的RDFs库融入知识图谱，可以极大的提高客服机器人的服务范围。

2)能够实现更复杂的应用需求，比如分析客户提出问题的潜在意图，在给与满足问题描述的回答后，可以主动向客户提供更多的案例信息；

3)支持不仅限于文本的回复内容，例如可以向客户提供相关的操作流程示意图、产品演示视频、专家解答音频等其他富知识表现形式。

3.4方案对比