AI技術發(fā)展和海量大數(shù)據(jù)沉淀驅使客服向智能化方向前進，智能客服用于用戶接待已是大勢所趨。在早期應用中，智能客服已經(jīng)幫助人工客服分擔了一部分接待壓力，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水平，同時利用技術手段使客服服務全鏈條進行智能化升級，是智能客服團隊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，在機器人能力層面，智能客服團隊基于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）方法構建業(yè)務知識圖譜，讓機器人能夠從多維度判斷用戶意圖；在客服服務全鏈路智能化上，今年上線了語音導航并利用機器學習技術實現(xiàn)客服資源智能調度分配，下面將逐一給大家分享具體的技術方案。

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行多輪對話后，問題變得深入和具體，導致智能客服無法精細化理解用戶訴求，在同一業(yè)務的不同細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，從而保證模型準確率。

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，在保證準確性的前提下減少人工參與度。除業(yè)務維度外，還增加了問句的句法判斷，根據(jù)不同的問句類型進一步精細化應答。

▲ABSQ分類方法示意圖

算法層面，基于HierachicalAttention Networks（HAN）改進的SentenceAttention Hybrid Networks模型，該模型更強調問題所在語境，每個問題都會結合上下文進行理解。模型底層理解單句問題，結合Attention機制，模型頂層理解整個會話的意圖。通過模型網(wǎng)絡結構的調優(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模型算法結構

通過以上一系列的優(yōu)化措施，意圖識別準確率在不同場景下均有5%到10%的提升。未來還會進一步提升機器人的自學習能力來減少人工參與度。一方面使用大量未標注數(shù)據(jù)進行預訓練，進而通過少量標注數(shù)據(jù)就能達到更優(yōu)的模型效果，大幅減少人工標注量，尤其是在新業(yè)務擴展時的工作量。另一方面，也會嘗試強化學習的方式直接學習人工客服的決策流程，進一步提升應答效果，減少人工標注。

針對人機服務對比差異中機器人的情商短版，智能客服團隊基于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、擔憂、失落、迷茫、高興、平靜等七種情緒。

技術方案主要基于卷積神經(jīng)網(wǎng)絡，用以提取用戶情緒的深層次表達。最終方案不僅識別精度高，而且泛化能力強，使得相似語義不論如何轉化表達，都能準確地獲得情感分析結果。

▲情感分析技術實現(xiàn)框架

與行業(yè)內多數(shù)客服機器人還停留在無法進行情感分析或者只能進行情感兩極分析的階段不同，情感智能客服機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。

為了解決標注數(shù)據(jù)不足的困難，采用遷移學習技術，將粗細力度的兩種標注數(shù)據(jù)聯(lián)合訓練，通過shared layer，模型借助輔助任務（粗粒度）的大量標注數(shù)據(jù)來提升主任務（細粒度）的預測結果。

反向翻譯（back-translation）是機器翻譯中的常見數(shù)據(jù)增強方法，將該方法應用于情感分析，通過對訓練數(shù)據(jù)應用漢譯英、英譯漢，擴充訓練數(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練數(shù)據(jù)，就能達到精準識別的效果。相比未應用情感分析前，智能客服升級后用戶滿意度提升57%。

某一特定場景下業(yè)務標注樣本稀缺、標注樣本質量不高是機器學習面臨的一大挑戰(zhàn)。未來也會嘗試使用非監(jiān)督訓練方法，利用大量未標注數(shù)據(jù)來提升模型準確度，此外也會嘗試多通道融合技術，將文本、語音、圖像信息綜合起來做出準確判斷。

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行撥號選擇，在喧鬧環(huán)境下還往往需要反復聽，耽誤用戶的時間又可能轉接錯誤，體驗亟待提升。而針對電話端人工客服的質檢，耗時也比較長。因此，智能客服團隊便基于ASR和NLP等技術進行改造。

在ASR和NLP方面都采用了最新的技術手段，在準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航，通過語音導航細化客戶咨詢的問題場景，并結合客服的CRM系統(tǒng)，直接彈屏給對應的電話客服，使客服快速獲取用戶咨詢背景，減少重復詢問，提升用戶體驗。

此外，整體方案采用標準的MRCP協(xié)議連接電話系統(tǒng)與后端服務，能適配不同廠商的電話系統(tǒng)，也有易于擴展開發(fā)各類功能模塊，如ASR、TTS等。利用Nginx作為前端負載均衡，通過docker方式部署服務，能根據(jù)業(yè)務容量等需求靈活伸縮擴容。遵循標準協(xié)議，能適應各種不同的語音業(yè)務需求，包括客服導航、外呼等。最終將電話系統(tǒng)、MRCP及ASR等成熟技術有效結合，實現(xiàn)了客服導航自動化，有效提高用戶體驗。

▲客服語音質檢架構圖

語音導航是京東客服第一個完全通過語音實現(xiàn)人機交互的智能系統(tǒng)，上線后用戶操作時間節(jié)省了一半，語音質檢也實現(xiàn)線上全覆蓋，相比之前結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。

除了提升智能客服和人工客服的服務質量，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，智能客服團隊利用機器學習，首次在客服領域將用戶咨詢意圖、情感和交叉畫像（客服服務、顧客咨詢）綜合進行考慮，在用戶發(fā)起咨詢請求時進行自動智能匹配，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)督回歸算法進行客服技能評分預測，并利用低秩矩陣補全進行客服技能水平定量評估，從而進行全局客服分流和調度。

• 協(xié)同半監(jiān)督回歸客服技能評分預測

  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量進行預測，但是會話質量的人工標注樣本往往非常少。通過協(xié)同半監(jiān)督回歸算法來有效利用大量的未標注數(shù)據(jù)，分別訓練兩個回歸器，并對每個回歸器，將高置信的數(shù)據(jù)作為訓練樣本交給另一個回歸器進行訓練，這樣不斷協(xié)同迭代，提高預測準確率。

▲協(xié)同半監(jiān)督回歸模型示意圖

• 低秩矩陣補全客服技能水平定量評估

  如果客服在一些意圖場景下沒有過會話，則無法直接通過回歸預測客服-意圖場景評分，但是客服、意圖場景之間可能存在相關性和冗余。通過低秩矩陣補全算法對客服-意圖場景的評分矩陣進行補全，同時利用雙重歸一化和補全矩陣驗證進行優(yōu)化，預測客服所對應的所有場景的技能評分，從而進行更全面更合理的客服調度。

▲特征工程與建模思路

通過合理調度分配，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習、強化學習等技術實現(xiàn)更精準、更細粒度、可自適應的智能客服分流和調度方案，進一步提升用戶體驗和資源利用。

今年在智能客服的技術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技術進一步發(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，以技術創(chuàng)造美好生活！