某中心测试客服聊天机器人技术

两种基于神经网络的模型正在内部和对外应用中接受评估，旨在提升客户服务效率。

技术架构与实现

大多数基于文本的在线客服系统采用可处理简单请求的自动化代理，这些代理通常由规则驱动，类似于指定特定客户输入响应的流程图。若自动化代理无法处理请求，则转交人工客服代表。

在某中心平台上，正逐步采用基于神经网络而非规则的自动化代理。这些代理能够以更好的结果处理更广泛的交互，使客服代表专注于更需要人类判断的任务。

在随机试验中，通过称为“自动化率”的指标对比新旧系统。该指标结合两个因素：自动化代理是否成功完成交易（无需转交人工客服），以及客户是否在24小时内再次联系客服。根据该指标，新代理显著优于旧系统。

神经网络模型对比

在北美计算语言学协会年会（NAACL）发表的论文中描述了两种方法：

1. 使用神经网络从头生成对客户话语的响应
2. 使用神经网络在人工编写的响应模板中进行选择

在内部系统中同时测试这两种方法。对外系统中使用模板排序器，可控制自动化代理的词汇表。随着内部对生成模型的测试和改进，计划逐步将其引入对外系统。

模板排序器中的模板是句子的通用形式，包含产品名称、日期、交付时间和价格等变量。这些变量在自然语言理解文献中称为“槽位”，其值称为“槽值”。

技术优势

与基于规则的系统相比，神经模板排序器具有显著优势：

• 只需少量额外工作即可整合新模板
• 通过大量客户与客服代表交互数据集的预训练
• 能够对任意句子进行排序的通用原则学习

模型训练与输入

为两种交互类型训练了单独的模型版本：退货退款状态请求和订单取消。订单取消模型不仅接收对话上下文，还接收客户账户资料信息——这些信息对人类代理也很有用。

响应排序器除了上下文和资料信息外，还接收候选响应作为输入。它使用注意力机制确定哪些先前话语中的词语对排序响应特别有用。

技术前景

虽然难以确定其他客服系统运行的对话模型类型，但端到端基于神经网络的对话模型部署尚未见报道。某中心正持续努力扩展模型可参与的对话广度和复杂性，使客户服务查询尽可能高效。

相关研究领域：对话式人工智能
技术标签：[对话系统, NAACL, 聊天机器人]