Основная технология и практика интеллектуального обслуживания клиентов Meituan

Служба поддержки клиентов — это решение, которое поможет сделать работу максимально гладкой, когда обслуживание пользователей не идеально, и это решение «снизу вверх» после возникновения проблемы. А интеллектуальная служба поддержки клиентов может быстро решать самые простые проблемы с помощью самопомощи и давать возможность решать сложные проблемы вручную и эффективно. На всем пути обслуживания пользователей отдел платформы/поиска и НЛП Meituan предоставляет шесть основных возможностей интеллектуального обслуживания клиентов, включая рекомендации по вопросам, понимание вопросов, управление диалогами, предоставление ответов, речевые рекомендации и сводку разговоров, чтобы достичь низкого уровня обслуживания клиентов. стоимость, высокая эффективность Цель эффективного и качественного общения с пользователями. В этой статье в основном представлены основные технологии интеллектуального обслуживания клиентов Meituan и их практика в Meituan.

1. Предпосылки

В настоящее время годовой объем транзакций Meituan составляет 630 миллионов пользователей, и она обслуживает 7,7 миллиона продавцов услуг в области жизнеобеспечения. Кроме того, в предпочтительном бизнесе Meituan есть большая группа лидеров групп. Платформа Meituan охватывает более 200 категорий жизненных услуг, таких как продукты питания, жилье, путешествия, путешествия, покупки и развлечения.В ссылках на предпродажу, продажу и послепродажное обслуживание платформы есть много информации. консультация, получение статуса заказа, жалобы и жалобы. Кроме того, как зарегистрированная компания с десятками тысяч сотрудников, у сотрудников также много требований к общению. Перед лицом вышеуказанных потребностей, если все они реализуются силами персонала, это явно не соответствует долгосрочным целям развития компании, что требует внедрения интеллектуального обслуживания клиентов.

1.1 Реализация интеллектуального обслуживания клиентов в различных сценариях

Во-первых, давайте рассмотрим некоторые из наиболее распространенных сценариев обслуживания клиентов в повседневной жизни.

Предпродажная сцена: например, когда потребители решают остановиться в гостинице на платформе, у них есть большой спрос на информационную консультацию перед размещением заказа о ценах на номера, гостиничных услугах, правилах регистрации и выезда и т. д.
Сцена продажи: Например, напоминание о выносе еще не пришло, добавление заметок не должно быть острым, добавление счетов и других консультаций и т. д. Сценарии предпродажи и продажи в основном происходят между потребителями и продавцами или платформами.
Сцена после продажи: Например, в сценарии на вынос жалуются на отсутствие доставки еды, время доставки райдера и запрос на возврат денег, в сценарии отеля жалуются на то, что отель не может заселиться после прибытия в магазин.
Офисная сцена: Например, консультирование по ИТ, кадровым ресурсам, финансам, юридическим вопросам и т. д., консультирование и ответы на вопросы по интерфейсным продуктам, предоставляемым производством, эксплуатацией и исследованиями, продуктами для консультантов по продажам и консультантами по продажам для продавцов и т. д.

1.2 Реализация интеллектуального обслуживания клиентов для разных групп людей

Общение является основной потребностью человека.В большинстве сценариев наше стремление к общению направлено на низкую стоимость, высокую эффективность и высокое качество, и диалоговые роботы также должны соответствовать этим трем требованиям одновременно. В настоящее время мы разделяем группы обслуживания в соответствии с группами обслуживания, а сценарии интеллектуальной посадки клиентов можно условно разделить на следующие четыре категории:

Ориентированный на пользователя: предоставить интеллектуальных роботов для обслуживания клиентов, которые помогут им решить большинство проблем самостоятельно.
Агент сталкивается: Повысьте эффективность работы агентов-людей и улучшите опыт работы агентов-людей с помощью возможности речевых рекомендаций или сводки сеанса.
Для торговцев: Создайте помощника продавца, чтобы уменьшить усилия продавцов по ответу и улучшить взаимодействие между покупателями и продавцами.
Для сотрудников: С помощью диалогового робота вы можете самостоятельно отвечать на вопросы сотрудников, тем самым повышая эффективность работы офиса.

1.3 Что такое умное обслуживание клиентов

Чтобы ответить на вопрос, что такое интеллектуальное обслуживание клиентов, вы можете сначала взглянуть на то, что такое обслуживание клиентов. Наше понимание заключается в том, что обслуживание клиентов — это решение, которое поможет обеспечить бесперебойную работу, когда обслуживание пользователей не идеально, и это решение «снизу вверх» после возникновения проблемы. А интеллектуальная служба поддержки клиентов может быстро решать самые простые проблемы с помощью самопомощи и давать возможность решать сложные проблемы вручную и эффективно.

На приведенной выше диаграмме показан путь обслуживания пользователя. Прежде всего, пользователи будут входить в очередь для обращения за услугами, набрав онлайн или набрав номер горячей линии, из которых трафик онлайн-консультаций составляет более 85%. Когда пользователь входит на сервисный портал, сначала пользователь выражает требование, а затем интеллектуальный робот отвечает на требование.Во время процесса робот должен сначала понять проблему, например, добавить примечание, изменить адрес или подать заявку на возврат денег и т.д., а потом робот пытается решить сам. Если это не может быть решено, оно будет своевременно передано в ручное обслуживание. Наконец, когда пользователь покинет сервис, система отправит анкету, ожидая, что пользователь оценит сервис.

2 Основная технология интеллектуального обслуживания клиентов

2.1 Обзор технологии диалогового взаимодействия

Технология интеллектуального обслуживания клиентов в основном основана на технологии диалогового взаимодействия. Общие диалоговые задания можно разделить на светскую беседу, задачу и вопрос-ответ:

болтливый: Обычно не сосредотачивается на конкретной задаче, его основная цель — вести открытый диалог с людьми, а основное внимание уделяется созданию беглых, разумных и естественных ответов.
тип задачи: обычно помогают пользователям выполнить определенную инструкцию по заданию, например, найти отель, запросить статус заказа, решить заявку пользователя на возврат средств и т. д. Потребности пользователей, как правило, сложны, и необходимо непрерывно собирать необходимую информацию, требуемую для задачи, посредством нескольких раундов взаимодействия, а затем принимать решения на основе информации, выполнять различные действия и, наконец, выполнять инструкции пользователя.
Вопрос и ответ: Сосредоточьтесь на одном вопросе и одном ответе, то есть давайте точные ответы непосредственно на основе вопроса пользователя. Наиболее существенное различие между системой вопросов и ответов и системой, основанной на задачах, заключается в том, должна ли система поддерживать представление о целевом состоянии пользователя и нужен ли ей процесс принятия решений для выполнения задачи.

С точки зрения технической реализации его обычно можно разделить на поисковый тип, генеративный тип и тип задачи:

поиск: Основная идея состоит в том, чтобы найти ответы, которые лучше всего соответствуют входным предложениям из корпуса диалогов, которые обычно представляют собой предварительно сохраненные данные.
порождающий: Основная идея основана на архитектуре глубокого обучения кодировщик-декодер, которая приобретает языковые способности из большого количества корпусов и напрямую генерирует слова ответов в соответствии с содержанием вопроса и соответствующей информацией о состоянии в реальном времени.
на основе задач: это диалог, основанный на задачах, который обычно поддерживает состояние диалога и определяет следующее действие в соответствии с различными состояниями диалога, будь то запрос к базе данных или ответ пользователю и т. д.

Светская беседа, вопросы и ответы и беседы на основе задач — это, по сути, пассивные ответы на потребности пользователя. В конкретном бизнесе будут рекомендации по проблемам, рекомендации по продуктам и т. Д., Чтобы активно направлять взаимодействие с пользователем. В бизнес-сценариях Meituan это в основном основано на задачах и вопросах и ответах, с вкраплениями светской беседы в середине.Светская беседа в основном касается приветствий или простого эмоционального комфорта, которые играют роль в диалоге между человеком и машиной.

Как описано выше в процессе обслуживания пользователей, для пользователей может быть два объекта связи, помимо общения с роботами, они также могут общаться с людьми. Если вы ищете сцену обслуживания клиентов, это агент по обслуживанию клиентов, а если вы ищете бизнес-сцену, это бизнес. Возможности робота в основном включают рекомендации по вопросам, понимание вопросов, управление диалогами и предоставление ответов.

В настоящее время основными выходными показателями для измерения качества роботов являются неудовлетворенность и коэффициент передачи рабочей силы, которые, соответственно, измеряют качество решения проблем и количество проблем, которые можно решить вручную. Что касается помощи человека, мы предоставляем такие возможности, как речевые рекомендации и подведение итогов сеанса.Основными показателями являются сокращение ATT и ACW, ATT — это среднее время связи между руководством и пользователем, а ACW — другое время обработки после ручного общения.

2.2 Интеллектуальный робот — многораундовый диалог

Это пример реального многооборотного разговора. Когда пользователь заходит на сервисный портал, он сначала выбирает рекомендуемый вопрос «Как связаться с гонщиком», и робот дает контактную информацию для звонка гонщику. В то же время, чтобы еще больше прояснить сцену, спросите пользователя, была ли получена еда.Когда пользователь выбирает «не получил», в сочетании с предполагаемым временем доставки и текущим временем обнаруживается, что он был время еще не истекло, и дано решение: «Хорошо, помогите. Пользователь напоминает мне» или «Я подожду». В это время пользователь выбирает «Я подожду».

Как работает робот, стоящий за этим примером? Во-первых, когда пользователь вводит «как связаться с гонщиком», модуль понимания вопроса сопоставляет его с расширенным вопросом в базе знаний, а затем получает соответствующий стандартный вопрос, то есть намерение «как связаться с гонщиком». Затем модуль управления диалогом запускает соответствующий процесс задачи в соответствии с намерением «как связаться с гонщиком», сначала запрашивает интерфейс заказа, получает номер телефона гонщика, а затем выводит статус диалога в модуль генерации ответов и генерирует окончательный результат по шаблону, как показано в красной рамке справа. В этом процессе необходимо иметь систему намерений, определить процесс задачи и интерфейс запроса заказа, Они тесно связаны с бизнесом и в основном поддерживаются операционной группой каждого бизнеса. Так что же делает диалоговая система? Один из них — сопоставить ввод пользователя со стандартными вопросами в системе намерений, а другой — завершить планирование в нескольких раундах взаимодействия.

Понимание вопроса заключается в том, чтобы сопоставить вопросы пользователя с системой намерений, а стандартный вопрос, соответствующий сопоставленному расширенному вопросу, является намерением пользователя. Рабочий процесс робота на самом деле состоит из двух вещей: отзыва и точной настройки. Функция отзыва лучше реализуется с помощью существующих механизмов поиска, и технически больше внимания уделяется точному ранжированию.

Разработанная Meituan интеллектуальная система обслуживания клиентов создается с 2018 года. характеристики этой задачи адаптированы к этим методам.

Например, когда BERT в конце 2018 г. (см. "Исследование и практика Meituan BERT》), мы быстро заменили исходную модель DSSM на BERT. Позже, в соответствии с характеристиками диалога обслуживания клиентов Meituan, мы провели вторичное обучение и трансформацию онлайн-обучения BERT, В то же время, чтобы избежать помех между предприятиями и уменьшить помехи шума за счет увеличения различий в знаниях. , мы также сделали многозадачное обучение (каждое дело является самостоятельной задачей на верхнем уровне) и мультидоменное обучение (запрос сопоставляется с расширенными вопросами, и изменено на общее сопоставление с расширенными вопросами, стандартными вопросами и ответами), и наконец, наша модель — многозадачная многоцелевая RoBERTa, основанная на онлайн-обучении. После такой серии технических итераций наша точность распознавания также увеличилась с менее чем 80% поначалу до почти 90%.

Поняв намерение пользователя, некоторые проблемы можно решить напрямую, дав ответы, а некоторые проблемы требуют дальнейшего уточнения. Например, пример «как подать заявку на потерю еды» заключается не в том, чтобы прямо указать способ подачи заявки, а в том, чтобы сначала уточнить, какой это заказ и влияет ли он на прием пищи, а затем уточнить, являются ли требования некоторых пользователей частичными возмещениями или организовать повторную доставку, чтобы дать различные решения. Такой процесс тесно связан с бизнесом и должен быть определен группой бизнес-операций. Как показано в дереве процессов задач справа, сначала мы предоставляем визуальный инструмент редактирования TaskFlow и разбиваем на компоненты исходящие вызовы, карты и API, а затем бизнес-операторы могут завершить разработку процесса задач, перетаскивая их мышью.

В реальном взаимодействии с пользователем диалоговому движку необходимо выполнить соответствующее планирование каждого шага задачи. Например, в этом примере, что, если пользователь не нажмет на пункт «Да, но это повлияет на еду…», а наберет и скажет: «Все в порядке, я хочу частичное возмещение»? Это намерение также не определено заранее, что требует от механизма диалога поддержки нечеткого сопоставления шагов в Задаче. Наш механизм TaskFlow, основанный на байесовской сети, просто поддерживает комбинацию правил и вероятности.Алгоритм нечеткого сопоставления здесь повторно использует способность семантического сопоставления модели понимания проблемы.

Это еще один пример. После того, как пользователь спросил «Может ли член отменить подписку», робот ответил «Не может быть возвращен». Хотя на этот вопрос был дан ответ, пользователь в это время легко остался недоволен и обратился за ручными услугами. Если в это время, в дополнение к предоставлению ответа, мы также проясним реальную причину проблемы и направим пользователя, чтобы спросить, является ли это «красным конвертом для еды на вынос нельзя использовать» или «проблема вызвана изменением мобильный телефон» Вероятность такова, что в этих случаях пользователь, скорее всего, сделает выбор, чтобы разговор можно было вести дальше, и можно было дать более изысканное решение, что также снижает поведение пользователей, напрямую переходящих на ручные услуги.

Эта руководящая задача называется многоэтапным руководством по темам, а конкретный метод заключается в моделировании отношения совпадения и отношения наследования событий в журнале бесед. Как показано на рисунке справа, здесь изначально моделируется руководство между предложениями.Учитывая разреженность предложений, мы абстрагируем его от руководства между событиями.Мы используем классический метод совместной фильтрации для построения отношения совпадения.Форма . Кроме того, учитывая направленность между событиями, мы моделируем связь соответствия между событиями, формула выглядит следующим образом:

$P(Q_n|E_{n-1}\dots E_1)=\sum_{k=1}^KP(Q_n|E_k)P(E_k|E_{n-1}\dots E_1)$

А благодаря многоцелевому обучению индекс кликов и индекс задач учитываются одновременно. Например, моделируется взаимосвязь между неперенесенными данными ручного обслуживания клиентов и данными об отсутствии неудовлетворенности соответственно. Формула выглядит следующим образом:

$P(E_k|E_{n-1}\dots E_1)=\sum_{i=1}^I\lambda_iP(E_k^i|E_{n-1}^i\dots E_1^i)$

В конце концов, мы добились очень положительных результатов с точки зрения рейтинга кликов, неудовлетворенности и скорости передачи.

Платформа Meituan охватывает более 200 категорий жизненных услуг, включая продукты питания, жилье, путешествия, поездки, покупки и развлечения. что пользователь хочет проконсультировать какой бизнес, одна из задач здесь "судить, к какому бизнесу принадлежит запрос пользователя", и эта задача называется идентификацией домена. Если о домене можно четко судить, знание домена можно использовать для решения проблемы; когда о нем нельзя четко судить, требуется несколько раундов диалогового взаимодействия, чтобы прояснить ситуацию с пользователем. Например, если пользователь вводит «Я хочу возмещение», в нескольких службах есть намерения возмещения. В настоящее время нам нужно определить, какая служба является намерением возмещения. Если суждение невысокое, мы предоставим список предприятий. для пользователя. Выберите, чтобы уточнить.

Модель распознавания предметной области в основном моделирует три типа данных: размеченные данные в базах знаний в различных областях, большое количество слабо контролируемых неразмеченных данных в различных областях и персонализированные данные.

По сигналу модели понимания проблемы, полученному из размеченных данных в базах знаний различных областей, можно судить о возможности того, что пользовательский ввод принадлежит каждому намерению каждого бизнеса.
Мы заметили, что в дополнение к порталам комплексных услуг, таким как приложение Meituan и приложение Dianping, которые охватывают несколько предприятий, существует также большое количество порталов, которые могут идентифицировать предприятия, например порталы заказов, порталы со страниц сведений о продукте и диалоговые данные, поступающие с этих порталов: Очистить информацию о бизнес-этикетках. Таким образом, мы можем получить большое количество слабо контролируемых данных в различных сферах бизнеса, на основе которых мы можем обучить классификационную модель первого уровня.
В то же время некоторые вопросы требуют дальнейшего уточнения путем объединения персонализированных данных, таких как статус заказа пользователя. Например, фраза «Я хочу вернуть деньги» будет доступна во многих компаниях. Следовательно, необходимо обучить вторичную модель в сочетании с характеристиками состояния пользователя и, наконец, определить, к какому бизнесу относится ввод данных пользователем.

В итоге модель распознавания доменов второго уровня показала очень хорошие результаты с точки зрения показателей удовлетворенности, скорости передачи и успешных показателей скорости передачи.

2.3 Интеллектуальный робот – рекомендации по устранению неполадок

После знакомства с основными модулями многораундового диалога, понимания вопросов и управления диалогами, давайте представим два других модуля интеллектуальных роботов: рекомендации вопросов и предоставление ответов. Как показано в предыдущем примере с несколькими раундами диалога, когда пользователь входит на сервисный портал, первое, что должен сделать робот, — это помочь пользователю точно выразить свои потребности, что может уменьшить потери пользователя или прямой переход к ручному управлению. услуги, а также уменьшить потребность в правильном понимании роботом недопустимых взаимодействий, таких как многократные разъяснения.

Эта проблема представляет собой стандартную проблему щелчка экспозиции, которая, по сути, является проблемой рекомендации. Мы используем классическую модель FM задачи прогнозирования CTR в качестве базовой модели и в то же время объединяем бизнес-цели, мы ожидаем, что решение проблемы, которую пользователь нажимает, может решить проблему пользователя.Эта проблема окончательно определяется как проблема «воздействие, щелчок и решение». Модель представляет собой ESSM-FM в сочетании с многоцелевым обучением, что привело к улучшению коэффициента конверсии, скорости передачи и неудовлетворенности эффективным взаимодействием.

2.4 Интеллектуальный робот — ответ на вопрос

В сценарии послепродажного обслуживания клиентов проблемы обычно сосредоточены, и решение проблемы в основном зависит от внутренних данных системы и правил бизнеса.Обычно бизнес-отдел поддерживает базу знаний, включая систему намерений, задачу процесс и ответы. Однако в предпродажном сценарии знания в основном исходят от продавца или самого продукта, пользовательского опыта и информации об оценке и т. Д. Он имеет характеристики открытых вопросов пользователей, высокой плотности знаний и сложности с сортировкой ответов вручную. Например, какой город посетить, какие есть достопримечательности, какие отели находятся поблизости, есть ли в отеле ванна, где находится адрес отеля и т. Д., Все это необходимо учитывать при «принятии решений». мы решаем консультации и отвечаем на проблемы с поставками с помощью интеллектуальных вопросов и ответов.

Умные вопросы и ответы предназначены для получения ответов на данные Meituan, чтобы быстро отвечать на вопросы пользователей.Основываясь на разных источниках данных, мы создали различные технологии вопросов и ответов.

Для получения базовой бизнес-информации, такой как время работы, адреса, цены и т. д., мы используем метод ответов на вопросы в виде графика (KBQA). Используйте базовую бизнес-информацию, чтобы построить график, понять проблему с помощью модели понимания проблемы, а затем запросить график, чтобы получить точные ответы.
На основе данных сообщества, то есть данных сообщества пользователей в модуле «Спросить всех» на странице сведений о продавце, строится функция контроля качества сообщества, и сходство между вопросами пользователей и «парами вопросов и ответов» в Смоделирован «Спросить всех». , выберите ответ с наибольшим сходством в качестве ответа на некоторые открытые вопросы пользователя.
Для неструктурированных данных, таких как данные комментариев пользовательского контента и бизнес-политики, создавайте возможности контроля качества документов (Document QA) и используйте технологию машинного чтения для извлечения ответов из документов на вопросы пользователей, аналогичные вопросам понимания прочитанного на наших детских экзаменах по китайскому языку, и т. д. ответить пользователям на некоторые открытые вопросы.

Наконец, в соответствии с ответами, полученными от нескольких модулей ответов на вопросы, ответы из нескольких источников ответов объединяются и сортируются для выбора окончательного ответа. Кроме того, здесь также проверяется подлинность ответа, то есть модель «верю большинство считает это правильным». Для подробного ознакомления с этой частью вы можете обратиться кИсследование и практика интеллектуальной технологии ответов на вопросы Meituan" статья.

3 Основная технология искусственной помощи

3.1 Ручная помощь-рекомендация разговорных навыков

Все вышеперечисленное относится к технологиям интеллектуальных роботов.Помимо общения с роботами, пользователи могут также общаться с людьми. Во время нашего исследования рабочего места агента по обслуживанию клиентов мы обнаружили, что агенты часто отвечают на похожие или даже одни и те же слова в разговорах с пользователями, и все они ожидают возможности порекомендовать слова для повышения эффективности. Кроме того, помимо обращения за помощью к агентам по обслуживанию клиентов, во многих случаях прямое общение между пользователями и продавцами сделает решение проблем более эффективным, а эффективность общения влияет не только на опыт потребителей, но и на работу продавцов. Например, в бизнесе на вынос существует очевидная обратная связь между частотой заказов потребителей и временем отклика продавцов.Будь то агент по обслуживанию клиентов или продавец, существует большой спрос на устные рекомендации.

Итак, что именно означает слово «рекомендация»? Обычная практика заключается в том, чтобы сначала подготовить библиотеку общих общих слов, и некоторые агенты или продавцы также подготовят библиотеку личных общих слов, а затем система будет искать и рекомендовать наиболее подходящие слова в соответствии с запросом пользователя и контекстом. Согласно опросу, мы обнаружили, что эта часть базы знаний плохо поддерживается.Существуют такие факторы, как частые изменения в бизнес-знаниях, которые делают поддерживаемые знания быстро недоступными, и такие факторы, как нежелание агентов или самих предприятий. Кроме того, у новых агентов или новых продавцов меньше опыта. Поэтому мы используем автоматическую память исторических навыков чата каждого агента и одной и той же группы навыков, а также исторических навыков чата продавцов и их продавцов той же категории.В соответствии с текущими входными данными и контекстом мы можем предсказать следующий возможный Навыки ответа без ручного управления Организуйте, значительно повысьте эффективность.

Мы создаем исторические записи чата в виде пар вопросов и ответов «N + 1» QA. Первые N предложений рассматриваются как вопрос Q, а последнее предложение рассматривается как ответное слово A. Всю структуру можно преобразовать в модель вопросов и ответов в стиле поиска. На этапе отзыва, в дополнение к отзыву текстовой информации, мы также добавили несколько циклов меток слотов, меток тем и других оптимизаций отзыва, описанных выше, отсортированных в модель на основе BERT, и добавили информационное моделирование ролей, где роли — это пользователи, торговцы или агенты.

Вся архитектура показана на рисунке выше, который разделен на две части: офлайн и онлайн. Кроме того, после запуска мы также добавили уровень модели прогнозирования CTR, чтобы улучшить скорость внедрения. В настоящее время средний уровень принятия словесных рекомендаций для нескольких предприятий составляет около 24%, а уровень охвата составляет около 85%. Рекомендации по разговорным навыкам особенно ценны для новых сотрудников-агентов. Новые сотрудники обычно испытывают трудности в организации разговорных навыков. Применяя рекомендуемые разговорные навыки, цикл владения навыками может быть сокращен. Было замечено, что средний уровень усвоения агентами в пределах 3 месяца больше, чем 3 месяца.В 3 раза больше агентов, чем сотрудников.

3.2 Человеческая помощь - резюме сессии

В сценарии обслуживания клиентов после того, как агент общается с пользователем, необходимо записать заказ на работу для получения некоторой необходимой информации, в том числе о том, что представляет собой событие, какова предыстория события, каково обращение пользователя и что конечный результат обработки и т.д. Заполнение этого содержимого на самом деле очень недружелюбно по отношению к агенту, и обычно его нужно подводить, особенно если какое-то общение занимает много времени, и необходимо пройти вперед и назад по истории диалога, чтобы правильно подвести итог. Кроме того, чтобы постоянно улучшать продукты обслуживания, также необходимо извлекать и маркировать соответствующие события журнала сеансов, чтобы облегчить бизнес-анализ.

Некоторые вопросы здесь представляют собой вопросы с несколькими вариантами ответов, а некоторые — вопросы с заполнением пропусков. Например, о каком событии идет речь в этом разговоре? Мы заранее организовали относительно полную систему событий, которую можно рассматривать как множественную - вопрос выбора, который можно вычислить по классификации или семантическому сходству. Например, предыстория инцидента, такая как предыстория возврата денег на вынос, заключается в том, что еда была разлита, предыстория возврата денег в отеле заключается в том, что в магазине нет места и т. д., это открытая проблема. , анализ показал, что его можно хорошо извлечь из содержания диалога, его можно решить с помощью сводной модели извлечения. Что касается результатов обработки, то это зависит не только от содержания разговора, но и от того, был ли совершен исходящий звонок, подключен ли мерчант после исходящего звонка, требуется ли повторный визит и т. д. Мы обнаружили, что генерационная модель более эффективна. Конкретная используемая модель показана на рисунке выше.Здесь выбор события учитывает частое добавление новых событий, и мы преобразуем его в задачу расчета подобия башен-близнецов.Модель BERT-Sum используется для извлечения фона , а результатом обработки является модель Google PEGASUS.

04 Резюме и следующие шаги

4.1 Резюме — куб взаимодействия

Некоторые основные технологии в практике интеллектуального обслуживания клиентов Meituan были внедрены ранее.В ходе этого процесса также было введено общение между агентами по обслуживанию клиентов и потребителями/продавцами/райдерами/руководителями групп и т. д., а также общение между потребителями и продавцов.Повышение эффективности. В дополнение к этим двум частям в корпоративном офисе на самом деле происходит много общения между сотрудниками, продавцами-консультантами и продавцами. Если вы делаете это один за другим, стоимость высока, а эффективность низкая. Решение состоит в том, чтобы платформизировать возможности, накопленные в интеллектуальном обслуживании клиентов. Лучше всего решать это в «пакете», чтобы поддерживать больше потребностей бизнеса с фиксированными затратами. . Поэтому мы создали диалоговую платформу Meituan — диалоговую платформу Моисея и использовали «пакетное» решение для удовлетворения потребностей каждого бизнеса в интеллектуальном обслуживании клиентов по фиксированной цене.

4.2 Резюме - диалоговая площадка "Моисей"

Как построить диалоговую платформу, чтобы предоставить ожидаемой команде без возможностей НЛП хорошего диалогового робота? Во-первых, инструменты и возможности обработки диалогов. Как показано на рисунке выше, систему можно разделить на четыре уровня: уровень сценария приложения, уровень решения, уровень диалоговых возможностей и уровень функций платформы.

Слой сцены приложения: В сценариях предпродажных приложений одним из типов спроса являются помощники продавца, такие как помощник обмена мгновенными сообщениями Meituan Flash и помощник обмена мгновенными сообщениями Daozong, перечисленные на рисунке, которые должны помочь продавцу в вводе данных, а часть робота взять на себя способность справляться с часто возникающими проблемами; другой тип спроса: В сценариях, где нет обмена мгновенными сообщениями для бизнеса, необходимы интеллектуальные вопросы и ответы, чтобы заполнить вакансию для консультаций, например, вопросы и ответы в отелях и поиск вопросов и ответов в живописных местах, перечисленные на рисунке; кроме того, в продаже , сценарии послепродажного обслуживания и корпоративного офиса имеют разные потребности.
слой раствора: это требует от нас наличия нескольких наборов решений, которые можно условно разделить на интеллектуальных роботов, интеллектуальные вопросы и ответы, помощь бизнесу и помощь агентам. Требования к диалоговым возможностям каждого решения также различаются.Эти решения должны легко собрать базовую диалоговую способность, которая прозрачна для пользователя и может быть использована немедленно.
Уровень диалоговых способностей: Соответствующие введения также были сделаны ранее.Шесть основных компетенций включают рекомендации по вопросам, понимание вопросов, управление диалогом, предоставление ответов, рекомендации по языку и краткое изложение беседы.
Уровень функций платформы: Кроме того, нам необходимо предоставить вспомогательные операционные возможности для оперативного персонала бизнес-стороны для регулярного обслуживания базы знаний, анализа данных и т. д.

Во-вторых, чтобы предоставить «пакетное» решение, также необходимо предоставлять решения на разных этапах для бизнеса, находящегося на разных этапах.

Некоторые предприятия хотят поддерживать только общие вопросы и ответы и отвечать на часто задаваемые вопросы, поэтому им нужно поддерживать только робота начального уровня и только поддерживать его намерения в модуле управления намерениями, общие выражения намерений и ответы.
Команды с операционными ресурсами надеются постоянно пополнять базу знаний, чтобы улучшить свои возможности вопросов и ответов.В настоящее время модуль обнаружения знаний можно использовать для автоматического обнаружения новых намерений и новых выражений намерений из ежедневных журналов. Оператору нужно всего лишь уделять немного времени каждый день, чтобы подтвердить добавление и сохранение ответов, это продвинутая сторона бизнеса.
Есть также некоторые продвинутые бизнес-стороны, которые хотят использовать API в своем бизнесе для решения сложных проблем. В настоящее время они могут использовать механизм редактирования TaskFlow, чтобы напрямую зарегистрировать бизнес-API на платформе и выполнить редактирование задачи путем визуального перетаскивания.

Кроме того, чтобы еще больше облегчить вмешательство бизнеса, мы также предоставляем некоторые официальные пакеты навыков, такие как светская беседа, общие команды и региональные запросы, и деловые стороны могут напрямую проверять и использовать их. Кроме того, по мере того, как мы продолжаем накапливать в бизнесе, будет появляться все больше и больше официальных отраслевых пакетов навыков. Общее направление заключается в постепенном снижении порога для использования в бизнесе.

4.3 Следующие шаги

Представленная выше диалоговая система представляет собой диалоговую систему Pipeline, которая разделена на разные модули в соответствии с их функциями, и каждый модуль моделируется отдельно и подключается последовательно. Преимущество этого метода заключается в том, что он может эффективно разделить обязанности между различными командами.Например, студенты, занимающиеся исследованиями и разработками, сосредотачиваются на построении хорошей модели рекомендаций по проблемам, модели понимания проблем и механизма задач; дизайн, дизайн ответов и т. д. Его недостатки также очевидны: модули связаны между собой, ошибки накапливаются, совместная оптимизация затруднена, кроме того, студенты, ответственные за каждый модуль, могут возиться с ним, что легко может привести к деформации действия.

Другим типом метода моделирования является End-to-End, который совместно моделирует различные модули диалоговой системы Pipeline в модель, которая непосредственно реализует преобразование от языка к языку.Этот метод изначально применялся в диалоговой системе чата. быстрое развитие крупномасштабных моделей предварительного обучения, постепенно началось академическое исследование сквозных диалоговых систем, основанных на задачах, основанных на моделях предварительного обучения. Его преимущество в том, что модель может в полной мере использовать неконтролируемые человеческие разговоры и может быть быстро итерирована с помощью управления данными; недостаток в том, что модель имеет плохую управляемость, ее нелегко объяснить и в ней отсутствует возможность вмешательства. В настоящее время он в основном основан на академических исследованиях и не имеет зрелого применения.

В дополнение к использованию такого большого количества неконтролируемых журналов разговоров людей, также есть идея создать основанный на правилах пользовательский симулятор на основе Rule-Based TaskFlow, взаимодействовать для создания большого количества данных диалога, а затем обучать модель диалога. . Чтобы обеспечить надежность диалоговой системы, для оптимизации также могут использоваться методы, аналогичные состязательным атакам, которые могут имитировать поведение Hard User, выполнять TaskFlow вне очереди, произвольно прерывать, переходить к узлу диалога и т. д. .

Кроме того, благодаря сравнительному анализу журналов диалогов человека с компьютером и журналов диалогов человека с компьютером диалог человека с компьютером является относительно жестким и не может эффективно улавливать эмоции пользователей, в то время как люди очень хорошо с этим справляются. Это очень важно в сценариях обслуживания клиентов: пользователи часто приходят с негативными эмоциями, а роботам нужно сопереживать. Непрерывный диалог на основе данных и наращивание потенциала диалогового сопереживания также будут в центре наших усилий в следующий период времени.