AI技術(shù)發(fā)展和海量大數(shù)據(jù)沉淀驅(qū)使客服向智能化方向前進(jìn)，智能客服用于用戶接待已是大勢所趨。在早期應(yīng)用中，智能客服已經(jīng)幫助人工客服分擔(dān)了一部分接待壓力，但如何持續(xù)提升智能客服的意圖理解力、共情能力（即情商）和解決能力，并且做到能夠與人工客服保持體驗一致的服務(wù)水平，同時利用技術(shù)手段使客服服務(wù)全鏈條進(jìn)行智能化升級，是智能客服團(tuán)隊2018的頭等大事。
▲智能客服VS人工客服能力對比
為了解決以上問題，在機(jī)器人能力層面，智能客服團(tuán)隊基于Neuhub平臺的情感分析API賦予了智能客服情緒識別、察言觀色的能力，并首創(chuàng)ABSQ（Action/Business/Scene/Question）方法構(gòu)建業(yè)務(wù)知識圖譜，讓機(jī)器人能夠從多維度判斷用戶意圖；在客服服務(wù)全鏈路智能化上，今年上線了語音導(dǎo)航并利用機(jī)器學(xué)習(xí)技術(shù)實現(xiàn)客服資源智能調(diào)度分配，下面將逐一給大家分享具體的技術(shù)方案。
意圖識別能力突破
智能客服與人工客服的體驗差距在多輪對話中的語義理解上表現(xiàn)明顯，伴隨用戶和智能客服進(jìn)行多輪對話后，問題變得深入和具體，導(dǎo)致智能客服無法精細(xì)化理解用戶訴求，在同一業(yè)務(wù)的不同細(xì)分情況下往往會給出同樣的答案。
為了更好地理解用戶意圖，將分類體系由原始單一維度劃分改為由ABSQ（Action/Business/Scene/Question）多維度共同判斷用戶意圖，從而能夠精細(xì)化定位用戶意圖，對各種不同情況給出針對性的答案。雖然判斷的維度變多，但是從任意單維度看分類數(shù)量大大減少，分類的可區(qū)分性大大增強(qiáng)，從而保證模型準(zhǔn)確率。
在這一過程中，采用聚類的方式先產(chǎn)生大致的分類體系，再經(jīng)人工最終確認(rèn)，在保證準(zhǔn)確性的前提下減少人工參與度。除業(yè)務(wù)維度外，還增加了問句的句法判斷，根據(jù)不同的問句類型進(jìn)一步精細(xì)化應(yīng)答。
▲ABSQ分類方法示意圖
算法層面，基于HierachicalAttention Networks（HAN）改進(jìn)的SentenceAttention Hybrid Networks模型，該模型更強(qiáng)調(diào)問題所在語境，每個問題都會結(jié)合上下文進(jìn)行理解。模型底層理解單句問題，結(jié)合Attention機(jī)制，模型頂層理解整個會話的意圖。通過模型網(wǎng)絡(luò)結(jié)構(gòu)的調(diào)優(yōu)，既能捕捉到單句中的核心詞匯，又能夠更好的匯總每句話的語義得到會話級別的意圖，與業(yè)界公開的最優(yōu)模型相比，在算法準(zhǔn)確率有一定提升的情況下，算法性能有大幅提升，有力的支撐了產(chǎn)品的快速迭代。
▲Sentence Attention Hybrid Networks模型算法結(jié)構(gòu)
通過以上一系列的優(yōu)化措施，意圖識別準(zhǔn)確率在不同場景下均有5%到10%的提升。未來還會進(jìn)一步提升機(jī)器人的自學(xué)習(xí)能力來減少人工參與度。一方面使用大量未標(biāo)注數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，進(jìn)而通過少量標(biāo)注數(shù)據(jù)就能達(dá)到更優(yōu)的模型效果，大幅減少人工標(biāo)注量，尤其是在新業(yè)務(wù)擴(kuò)展時的工作量。另一方面，也會嘗試強(qiáng)化學(xué)習(xí)的方式直接學(xué)習(xí)人工客服的決策流程，進(jìn)一步提升應(yīng)答效果，減少人工標(biāo)注。
情商加持，共情能力提升
針對人機(jī)服務(wù)對比差異中機(jī)器人的情商短版，智能客服團(tuán)隊基于Neuhub的情感分析模型賦予了智能客服共情能力，讓智能客服能夠識別生氣、焦慮、擔(dān)憂、失落、迷茫、高興、平靜等七種情緒。
技術(shù)方案主要基于卷積神經(jīng)網(wǎng)絡(luò)，用以提取用戶情緒的深層次表達(dá)。最終方案不僅識別精度高，而且泛化能力強(qiáng)，使得相似語義不論如何轉(zhuǎn)化表達(dá)，都能準(zhǔn)確地獲得情感分析結(jié)果。
▲情感分析技術(shù)實現(xiàn)框架
與行業(yè)內(nèi)多數(shù)客服機(jī)器人還停留在無法進(jìn)行情感分析或者只能進(jìn)行情感兩極分析的階段不同，情感智能客服機(jī)器人不僅能自動識別用戶在交談過程的生氣、焦慮等七種情緒，還能識別出用戶情感的濃度，如一點點生氣、非常生氣等。
為了解決標(biāo)注數(shù)據(jù)不足的困難，采用遷移學(xué)習(xí)技術(shù)，將粗細(xì)力度的兩種標(biāo)注數(shù)據(jù)聯(lián)合訓(xùn)練，通過shared layer，模型借助輔助任務(wù)（粗粒度）的大量標(biāo)注數(shù)據(jù)來提升主任務(wù)（細(xì)粒度）的預(yù)測結(jié)果。
反向翻譯（back-translation）是機(jī)器翻譯中的常見數(shù)據(jù)增強(qiáng)方法，將該方法應(yīng)用于情感分析，通過對訓(xùn)練數(shù)據(jù)應(yīng)用漢譯英、英譯漢，擴(kuò)充訓(xùn)練數(shù)據(jù)樣本量，一定程度解決數(shù)據(jù)樣本不充分和分布不均衡的問題。
基于以上兩種方法，使得模型只需使用少量訓(xùn)練數(shù)據(jù)，就能達(dá)到精準(zhǔn)識別的效果。相比未應(yīng)用情感分析前，智能客服升級后用戶滿意度提升57%。
某一特定場景下業(yè)務(wù)標(biāo)注樣本稀缺、標(biāo)注樣本質(zhì)量不高是機(jī)器學(xué)習(xí)面臨的一大挑戰(zhàn)。未來也會嘗試使用非監(jiān)督訓(xùn)練方法，利用大量未標(biāo)注數(shù)據(jù)來提升模型準(zhǔn)確度，此外也會嘗試多通道融合技術(shù)，將文本、語音、圖像信息綜合起來做出準(zhǔn)確判斷。
語音導(dǎo)航+語音質(zhì)檢智能客服又一重大里程碑
過去，京東用戶撥打電話聯(lián)系客服時，是傳統(tǒng)的按鍵形式，用戶常常需要聽完后進(jìn)行撥號選擇，在喧鬧環(huán)境下還往往需要反復(fù)聽，耽誤用戶的時間又可能轉(zhuǎn)接錯誤，體驗亟待提升。而針對電話端人工客服的質(zhì)檢，耗時也比較長。因此，智能客服團(tuán)隊便基于ASR和NLP等技術(shù)進(jìn)行改造。
在ASR和NLP方面都采用了最新的技術(shù)手段，在準(zhǔn)確率和用戶體驗等方面都具有一定優(yōu)勢，能基于大量客服專有數(shù)據(jù)訓(xùn)練模型，實現(xiàn)用戶電話咨詢的流程由傳統(tǒng)按鍵方式升級為智能語音導(dǎo)航，通過語音導(dǎo)航細(xì)化客戶咨詢的問題場景，并結(jié)合客服的CRM系統(tǒng)，直接彈屏給對應(yīng)的電話客服，使客服快速獲取用戶咨詢背景，減少重復(fù)詢問，提升用戶體驗。
此外，整體方案采用標(biāo)準(zhǔn)的MRCP協(xié)議連接電話系統(tǒng)與后端服務(wù)，能適配不同廠商的電話系統(tǒng)，也有易于擴(kuò)展開發(fā)各類功能模塊，如ASR、TTS等。利用Nginx作為前端負(fù)載均衡，通過docker方式部署服務(wù)，能根據(jù)業(yè)務(wù)容量等需求靈活伸縮擴(kuò)容。遵循標(biāo)準(zhǔn)協(xié)議，能適應(yīng)各種不同的語音業(yè)務(wù)需求，包括客服導(dǎo)航、外呼等。最終將電話系統(tǒng)、MRCP及ASR等成熟技術(shù)有效結(jié)合，實現(xiàn)了客服導(dǎo)航自動化，有效提高用戶體驗。
▲客服語音質(zhì)檢架構(gòu)圖
語音導(dǎo)航是京東客服第一個完全通過語音實現(xiàn)人機(jī)交互的智能系統(tǒng)，上線后用戶操作時間節(jié)省了一半，語音質(zhì)檢也實現(xiàn)線上全覆蓋，相比之前結(jié)果處理速度加快一倍，對提升用戶體驗，提高工作效率大有裨益。
智能調(diào)度：調(diào)兵遣將的大腦中樞
除了提升智能客服和人工客服的服務(wù)質(zhì)量，如何將這些客服資源合理分配也是一件難事。以往客服調(diào)度依賴人工經(jīng)驗，但這樣很難考慮不同客服的具體技能水平，容易出現(xiàn)資源閑置。
為了解決這個問題，智能客服團(tuán)隊利用機(jī)器學(xué)習(xí)，首次在客服領(lǐng)域?qū)⒂脩糇稍円鈭D、情感和交叉畫像（客服服務(wù)、顧客咨詢）綜合進(jìn)行考慮，在用戶發(fā)起咨詢請求時進(jìn)行自動智能匹配，為用戶找到最合適的客服，從而提升用戶體驗和客服效率。
本方案首先通過協(xié)同半監(jiān)督回歸算法進(jìn)行客服技能評分預(yù)測，并利用低秩矩陣補(bǔ)全進(jìn)行客服技能水平定量評估，從而進(jìn)行全局客服分流和調(diào)度。
-
協(xié)同半監(jiān)督回歸客服技能評分預(yù)測
通過訂單數(shù)據(jù)、商品數(shù)據(jù)、客服統(tǒng)計數(shù)據(jù)等可以對客服會話質(zhì)量進(jìn)行預(yù)測，但是會話質(zhì)量的人工標(biāo)注樣本往往非常少。通過協(xié)同半監(jiān)督回歸算法來有效利用大量的未標(biāo)注數(shù)據(jù)，分別訓(xùn)練兩個回歸器，并對每個回歸器，將高置信的數(shù)據(jù)作為訓(xùn)練樣本交給另一個回歸器進(jìn)行訓(xùn)練，這樣不斷協(xié)同迭代，提高預(yù)測準(zhǔn)確率。
▲協(xié)同半監(jiān)督回歸模型示意圖
▲特征工程與建模思路
通過合理調(diào)度分配，客服接待能力提升15%，實現(xiàn)“物盡其用，人盡其才”。在未來，智能客服將通過深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等技術(shù)實現(xiàn)更精準(zhǔn)、更細(xì)粒度、可自適應(yīng)的智能客服分流和調(diào)度方案，進(jìn)一步提升用戶體驗和資源利用。
今年在智能客服的技術(shù)探索取得了一定成效，未來將會持續(xù)提升，為給用戶提供極致體驗而努力。相信伴隨AI技術(shù)進(jìn)一步發(fā)展以及京東大數(shù)據(jù)不斷沉淀，會跟京東諸多同道一起，以技術(shù)創(chuàng)造美好生活！
