39、可解释方式管理客户关系的探讨

可解释方式管理客户关系的探讨

1. 元解释的逻辑问题

从机器学习（ML）的角度来看，元解释采用的是归纳法。在通过逻辑编程进行预测和实现的确定性方法方面，作为学习过程的元解释与基于解释的学习（EBL）方法相近。EBL 旨在从可用数据中推导出尽可能通用的表达式，常用于观察人类专家、决策和建议系统等较为紧凑的领域。

本项目的一个动机是将 EBL 的强大能力、其表示的表达性以及解释的提供（这对于理解潜在机制至关重要）应用于更广泛且结构较松散的领域，如人际交互场景。所提出的 ML 机制能够处理像客户投诉这样嘈杂且稀缺的数据，因为在这些场景中往往缺乏足够的领域理论，还存在完整性、正确性和可处理性等问题。

为了实现这一点，采取了以下操作步骤：
- 谨慎预测设置 ：使用更谨慎的预测设置，以减少假阴性的数量。
- 迭代应用归纳 - 溯因程序 ：通过迭代的方式应用归纳 - 溯因程序。
- 提供交互式环境 ：提供一个交互式环境，用于可视化解释。

此外，与 EBL 方法不同的是，使用了负面例子来证伪存在反例的假设。

2. 投诉场景论证研究

在之前对投诉场景论证的研究中，验证了在表达对话话语时，除了使用交际行为外，引入攻击关系确实可以提高场景合理性评估的准确性。在展示了两个解释层次的重要性之后，定义了具有解释行为的场景的特征参数，即每个层次对整体场景评估的贡献比例。

通过使用这个比例作为相空间，可以可视化代理具有各种形式解释活动的场景。这表明多种不同的行为可以通过解释相空间来表示。