神经网络客服聊天机器人技术解析

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进行评估。

技术架构

大多数基于文本的在线客服系统都配备可处理简单请求的自动化代理。传统上，这些代理由规则驱动，类似于指定特定客户输入响应的流程图。如果自动化代理无法处理请求，会将请求转给人工客服代表。

在某中心网站上，我们开始逐步采用使用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，让客服代表专注于更依赖人类判断的任务。

评估指标

在随机试验中，我们使用称为自动化率的指标将新神经代理与现有基于规则的系统进行比较。自动化率结合两个因素：自动化代理是否成功完成交易（无需转给客服代表），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。

双模型方法

在测试面向客户的神经代理的同时，我们还在测试系统的一个变体，该变体向客服代表建议可能的响应以节省时间。

技术实现原理

这两种代理的基本原理在去年计算语言学协会北美分会年度会议上发表的论文中描述。论文比较两种方法：一种使用神经网络从头生成对客户话语的响应，另一种使用神经网络在手写响应模板中进行选择。

在内部系统中，我们测试两种方法。在面向客户的系统中，我们使用模板排序器，这允许我们控制自动化代理的词汇表。但随着我们在内部测试和改进生成模型，我们计划开始将其引入面向客户的系统。

模板排序器优势

模板排序器中的模板是句子的一般形式，带有产品名称、日期、交付时间和价格等变量。基于规则的系统也使用模板，但神经模板排序器具有优势，因为它可以以少量额外工作纳入新模板。

这是因为模板排序器——像生成模型一样——在客户和客服代表之间的大量交互数据集上进行了预训练。模板排序器已看到许多不适合其模板的响应，因此它学会了排序任意句子的一般原则。另一方面，向基于规则的系统添加新模板需要研究人员或研究团队重新构思和重新设计对话结构（“流程图”）。

模型架构

论文中描述的两种神经模型具有不同结构，但在确定如何响应给定客户话语时，它们都考虑对话前几轮的内容（称为对话上下文）。

我们为两种类型的交互训练了每个模型的单独版本：退货退款状态请求和订单取消。作为输入，订单取消模型不仅接收对话上下文，还接收有关客户账户配置文件的一些信息——这些信息也可能对人类代理有用。

除了上下文和配置文件信息外，响应排序器还接收候选响应作为输入。它还使用注意力机制来确定哪些先前话语中的哪些词对排序响应特别有用。

技术前景

确定其他客服系统运行何种类型的对话模型很困难，但我们不知道有任何像我们这样端到端基于神经网络的对话模型的公开部署。我们正在不断努力扩展模型可参与的对话的广度和复杂性，以使客户服务查询对客户尽可能高效。
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）

公众号二维码

公众号二维码