海关总署发布规范跨境支付企业登记管理公告
872
2023-04-24
智能客服架构（智能客服体系）
本文转载自网络公开信息
本篇文章给大家谈谈智能客服架构，以及智能客服体系对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。
今天给各位分享智能客服架构的知识，其中也会对智能客服体系进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！
一、目录概述
内容主要分为整体结构与常见问题两个角度的探究。因用户在智能客服中的表现的多样性，故不穷举赘述，在每个解决方案与架构设置原因中针对单独问题一一探究。
二、智能客服主要解决的问题
客服主要解决用户Q（query）→A（answer）问题，好的资深客服对业务逻辑结构更了解，不仅能基于用户未完全形容时推断用户情况、根据用户情况给予更多的业务解决方案，更能在对话中判断用户的倾向性（情感、期望值等）。
那智能客服如何像客服一样解决问题呢。下面引入三个概念
图1 用户问法，业务逻辑结构，业务解决方案关系图
名词解释：
[if !supportLists]Ø [endif] 业务逻辑结构（因笔者对知识图谱理解太浅，固用此名字代替） ：面向用户的业务类型，多呈现树状结构，如售后，售后-退货，售后-退货-运费等的二叉树结构；某个子业务的判断条件，如常见电商的退货条件为七天。
注 ：为什么将判断条件放在业务逻辑结构中，后续会讲到的用户问法中会将某一判断条件作为意图放在会话中。如“我要退货”的处理方式需要判断用户订单是否超过七天，用户的延伸问法“我的订单刚买两天，想退货”，此问题在理解中属于重难点解决问题。
[if !supportLists]Ø [endif] 业务解决方案 ：通常针对于某一业务会延伸出多样化的子业务，如：“我要退货”“退货用什么快递”“退货的运费谁承担”，通常对于一问题会有至少1+的解决方案（公司能提供的解决方案多少问题根据公司能力决定不在此讨论）。
[if !supportLists]Ø [endif] 用户问法 ：自然语言中的现象结合某一子业务产生的问法类型不用，如：“定义类——什么是七天无理由退货”“满足类——我的订单支持七天无理由退货吗”等。
解决智能客服问题应答用户问题主要解决 两个问题 ：
1.解决用户问法在业务逻辑结构（知识图谱）中的位置问题。
2.解决用户问法+业务逻辑结构=用户解决方案问题。
三、
针对于上面我们提到的智能客服主要解决的问题，笔者提供两种 解题思路 ：
[if !supportLists]1. [endif]分类业务类型，将业务类型中的问题用QA的方式维护，对用户问题中的子串（去无用词“吗”“好的”等）用检索重排序的方法分别在增加的Q中和A中进行筛选，最终筛选出阈值最高的一条Q或者A，以此条答案为回复用户问题的答案。当然，中间有不少稳定准确率与召回率的兜底方案，可根据实际情况调控。此方法的好处在于稳定，不过更像解决搜索问题而不是解决对话机器人问题。
2.第二种方案是本篇主要讲的方案，引用三角兽科技CEO 王卓然博士《任务驱动多轮对话评测标准【人机对话评测系列之一】》中的图为例。（文末会有此篇文章的链接）
图2: 任务驱动的多轮对话系统的一个经典框图
主要把智能客服对话结构为三部分：意图理解NLU（用户目的分类和Spoken Language Understanding）、对话状态（Dialogue State）、应答（System Action）。图中ASR（语音识别）、NLG（答案生成）、TTS（文语）模块因并非提升智能客服主要的体验问题，并且笔者未深入研究，故此篇文章不深入探讨，后续了解后会针对这些问题单独讲述。
三、智能客服与业务结合基础
3.1 把业务教给智能客服
上文中提到，要解决用户问题，必须让对话系统模拟业务的真实状况，所以梳理业务逻辑结构非常重要。
拆分业务逻辑主要为三点原则：
[if !supportLists]² [endif]用户通常有哪些目的（能提供的业务有哪些）
[if !supportLists]² [endif]这些目的之间有没有关联性（不包含会话中易出现的关联性）
[if !supportLists]² [endif]哪些信息（条件）是实现目的的必要因素
待探究问题：有没有清晰的拆解规则同时满足NLU的准确性与业务的完整性？此规则能否通用？
拆分完业务逻辑结构，更重要的是把业务逻辑结构教给智能客服。基于拆分的三点原则，我们要教给智能客服的为两点：
[if !supportLists]² [endif]有哪些意图（intent）或分类—自然语言理解的分类问题。
[if !supportLists]² [endif]哪些是实现意图的必要条件—结构化识别与多轮对话问题。
3.2 理解用户在对话中的目的
在对话系统中，自然语言中的query会呈现结构化的语义表示，这个结构化的语义通常被称作dialogue act由 communicative function 和 slot-value pairs 组成，其中 communicative function 表示 query 的类型（如：陈述需求，询问属性，否定，选择疑问，等等）而每个 slot-value pair 则表达一个限制条件（constraint），也可理解为用户目标的一个组成单元。
例如“我的订单到上海了吗”对应的dialogue act可以表示为inform（entity=订单or物流，location=上海）。这里的inform就是communicative function，表示询问查询，“entity=订单or物流“和“location=上海”是限制条件（slot-value pair）
四、智能客服架构
3.3 意图识别NLU
此处的意图识别NLU，单指 对用户标准问法(用户一句话把问题描述清楚)的理解与分类 和对话系统中的 口语处理问题 。
由于用户在对话系统中输入时更偏向与口语化的表述，所以在对话系统的意图识别板块，我们更关注口语处理，其中包含了对非严谨语法（即用户问题可能产生的语法错误纠错与错别字接错）和识别中如何保持准确的鲁棒问题。
为什么一定要将用户语义（dialogue act）作 结构化识别 ，主要是解决用户将条件加在会话中陈述的导致容易造成智能客服理解混淆问题（例如上文提到的我收货两天了能不能退货）。
当然，我们也可根据业务场景不同才用不同的识别策略。
Google 的dialogflow 在识别上有的三种策略：
[if !supportLists]² [endif]trait策略：整句理解，比如意图、情感等，通过分析整个用户问句来得到实体值
[if !supportLists]² [endif]free-text策略：用来抽取用户问句中的子串，这些子串通常不会包含在预定义的实体值词典中
[if !supportLists]² [endif]keywords策略：用于处理需要抽取的实体值可枚举的情况，我们为实体准备好一个预定义的实体值词典，该实体的抽取就通过使用实体值词典做匹配来完成
百度UNIT 也同时区分了利用词槽与槽组的识别与特征词的识别。
采取哪种识别策略，主要还是根据业务的可行性与最终达到的效果进行确定 ，当然亦可组合使用，我们可以根据词槽来判断用户询问的业务之间的关联性，可根据用户整句识别判断用户的情感偏向，也可在业务子串可穷举并且关联性小的情况下使用关键词策略提高识别的准确性。
但是在用户与机器完成的单轮对话中，依然存在一定的难点，此问题在后面详细讨论。
结论： 上文中提到的意图识别或SLU问题，大家应该可以注意到，其本身都是典型的结构化分类问题，虽然所用的模型千差万别，其中对于处理过拟合、欠拟合的方法也褒贬不一，但是无非就是准确率、召回率等问题。
3.4 对话状态
对话系统中存在的现象决定了对话状态跟踪（Dialogue State Tracking）存在的必然性。
大家可以注意到，上文中提到的分类问题属于标准情况下的处理方式，但用户在对话系统中的表现拥有不确定性，所以在这里给对话系统引入了一个在不确定性环境下决策的问题（planning under uncertainty），虽然最终的决策是由下面要介绍的对话策略完成的，但是对话状态需要为后面的决策提供依据，也就是如何刻画这个不确定性的问题。
在智能客服对话中存在以下现象：
[if !supportLists]ü [endif]不考虑上文中提到的口语处理，在用户问法中，存在 闲聊 与 业务 两种形态的对话，其中闲聊为业务的辅助构成部分。
[if !supportLists]ü [endif]业务问题中，存在 意图清晰 与 意图模糊 的问法
[if !supportLists]ü [endif]用户意图清晰的情况下，我们需要根据业务需要让用户补充必要条件，或通过用户补充让问题更精确。如：天气问题中，用户询问“北京明天天气”“北京明天八点天气”，都可给出答案，不同的在于答案的精准程度。
基于以上三种现象，首先我们需要知道用户在 当前对话 中 处于什么状态， 其次是根据当店对话状态我们给出用户 最终答案 需要什么 对话策略。
3.4.1 对话状态跟踪
对话状态跟踪，简单来说就是根据对话来确定用户 当前或最终的目标 到底是什么，此处不仅包括封闭域对话中的 任务驱动式多轮对话， 还包括区分闲聊、问答、任务四类问题，根据业务情况划分意图模糊与意图清晰之间的界限。
[if !supportLists]Ø [endif]在区分闲聊、问答、任务类问题中，大概可分为三点
[if !supportLists]1. [endif] 为什么要区分闲聊 ：闲聊是一种不局限于话题的开放域聊天（开放域机器人如微软小冰），即在用户的问题 没有明确的信息 或 服务需求时 系统做出的回应。
开放域聊天在智能客服中的作用有两点：第一点为拉近距离、顺滑对话过程、建立信任等；第二点为挖掘用户情绪引导用户服务请求。
[if !supportLists]2. [endif] 是否需要区分问答、任务类 ：以智能客服行业典范阿里小蜜来说，是区分了问答类和任务类问题的，但是为什么区分政策和任务类问题以笔者的经验来说仅是根据解决方案的不同，但在用户query无法提现。
如：“是否支持七天无理由退货”的两层含义：一层为公司政策是否支持，一层是用户询问购买的商品是否支持。前者是以搜索较优方案的政策类解答问题，后者是以任务式判断的方式解答问题更为准确。
所以，在QA问答系统和task flow驱动式系统上，个人认为电商类问题更趋向于用task flow解决问题并将QA融入其中。当然，此问题还需要根据客服解决问题的形态具体情况具体分析。
[if !supportLists]Ø [endif]意图清晰与意图模糊问题
如何定义意图清晰与意图模糊问题，抛开自然语言中的口语处理不讲，我认为它 更偏向 于一个 业务问题 。
对于用户来说，用户对智能客服的目标（user goal）是可以确定的，用户目的的表示形式是一组限制条件（slot-value
pairs）的排列组合。换句话说，理解用户真正的目的（user goal），需要机器理解上文中说到的业务逻辑结构（知识图谱）中每一枝干的关系（或归属于某一枝干）。
也就是说，当用户当前的会话表述中某一组限制条件的排列组合 对应多个枝干 时，为 意图模糊问题 。当 对应一条枝干 时，为 意图清晰问题。
对于 意图模糊问题 的解决方式，大可以用检索式反问的形式来引导用户，即询问用户 可能想问的问题是什么 。对于 意图清晰问题 ，但无法给出明确答案时，为一个 任务驱动式的多轮对话问题 （后文多轮对话展开讨论），即电商问题中常见的需要用户补充订单号或某些意图。
[if !supportLists]Ø [endif]当进行了前面的口语处理，闲聊与业务区分，区分意图模糊与清晰问题后，我们已经可以理解了用户的目的，即用户问的问题属于业务逻辑结构（知识图谱）中的哪一枝干，接下来在解决用户服务请求的过程中，最后需要处理的就是 补充用户目的所需的判断条件或槽位 （如“查物流”我们需要知道用户的订单号）和 判断用户的目的改变 （如“查物流”转变为“几天能到”问题） 。
以上问题为智能客服对话状态跟踪中常见的需要解决的问题，但是任务驱动式多轮对话中问题现象不仅于此，在下文的多轮对话问题中再详细阐述。
3.4.2 对话策略
理解了用户在对话中的行为，我们来讨论一下关于对话状态中使用的对话策略问题。
对话策略是根据上面介绍的置信状态来决策的过程。对话策略的输出是一个系统动作（system action）。和用户的 dialogue act 类似，系统动作也是一个由communicative function 和 slot-value
pairs 组成的语义表示，表明系统要执行的动作的类型和操作参数。“每次决策的目标不是当前动作的对与错，而是当前动作的选择会使未来收益的预期（expected long-term reward）最大化”
根据上文中的讲述，此问题也可分为三种类型。
[if !supportLists]Ø [endif]基于开放域机器人的闲聊来建立信任、引导操作、增加对话流畅度问题，此问题笔者并没有深入研究，但就经验来讲，可实现的策略包含用户发起咨询时的预判用户问题与引导用户操作。
[if !supportLists]Ø [endif]区分用户意图模糊与意图清晰的策略，在意图模糊中，个人更偏向于用检索+重排序的方式定位用户问题在训练语料或业务逻辑结构，进而产生用户可能咨询的问题，也就是在对话中反问用户，但一方面用户会因为机器人猜的不准确而对智能客服的信任感降低，另一方面推测的准确性和人一样，更依赖于知识的覆盖率与准确率。所以，让智能客服像资深客服一样能“猜”的更准，还是一个需要实际验证的问题。
[if !supportLists]Ø [endif]任务驱动式多轮对话中的补充用户槽位与目的转变的槽位继承问题本身更偏向于根据业务去优化的问题。
补充用户槽位的问题很好理解，如“查物流”需要询问“您要咨询的订单号是？”，进而能得到很好地解决。
目的转变后的槽位继承问题还是需要根据业务情况做详细调整，如上文提到智能客服在“查物流”中获取了用户订单号，那么用户问“多久能送到”时，意图转变后订单号依旧需要继承。当然此问题中会因用户有澄清式问法而改变，如用户增加“我要咨询其他订单”的问法后，即清除对话状态中的“订单”。以上只是举了两个简单的例子，但一个业务中可能包含多个槽位或一整个槽位组（槽位之间存在平行、依赖关系），针对于业务情况不同，对话策略还需要精细化运营。
3.5 应答-最终答案
在经历了教会智能客服理解用户问题的漫长过程后，我们终于来到了讨论给予用户的解决方案部分。
普遍的来讲，解决方案可以有文本、图文、视频、API集成等多种的样式，但实际最终用户的query只会得到唯一的answer，这个唯一的answer的样式及丰富程度，不仅仅取决于我们业务不同需要给予用户不同的解决方案，同时也依赖于对话状态中还可以记录完成对话任务所需的其他额外信息，例如用户当前询问的属性（requested slots），用户的交互方式（communication
method），和用户或系统的历史对话动作（dialogue history）等等。
以观察阿里小蜜的经验来讲，小蜜从原来的图文答案部分转向了API继承的方式，但依然没有感知出针对于用户画像给予不同的答案（可能是我不怎么咨询客服的原因）。
所以以上的内容就不在这里展开，我会在后面《智能客服服务提升》中讨论。
四、结论
能从头看到这里，我相信不是对智能客服本身有一定了解忽略了一大部分抽象内容，就是根本不需要看前文就能理解结构的大佬。
个人认为，智能客服的架构本身只有三部分意图识别及SLU问题对业务进行的分类问题，用户在对话中的表现转化为标准问法的对话状态（DST）问题，与归属完问题后提供给用户最终的解答方案问题。完成这三部，大概在产品架构上能实现智能客服从0到1的方案。
当然构建三部分时应该遵循几点原则：
[if !supportLists]1. [endif]保持训练语料的一致性，用户问题是否直接分类、意图模糊或需要用户补充统一由对话状态模块判断。
[if !supportLists]2. [endif]业务的拆解尽可能细致，因为业务逻辑结构（知识图谱）决定了结构化识别的准确性与对话状态的判断准确率。
[if !supportLists]3. [endif]识别策略和对话策略中尽可能增加兜底方案保证准确率与召回率，结构化识别并不是万能的，有时我们也需要加入检索的方式保证用户问题会产生一个相对准确的解决方案。
以上为智能客服架构时的一些思路，至于每部分中提到的具体问题，会在后续《智能客服的服务提升中》探讨。
1、梳理平台使用手册，完善平台用户运营基础支撑
在建设平台使用手册过程中，可以基于先重点、后全面的指导思想，从内容定位、内容准备、功能实现等方面逐步建设平台使用手册。
（1）在平台使用手册内容准备前，可先将通过各个渠道收集的用户反馈问题进行梳理、分类及汇总分析，得出用户反馈最多的问题类型，为平台使用手册的内容准备提供指导方向、为建设排期提供精确建议智能客服架构；
（2）基于内容定位阶段的分析结果，按照计划逐步准备使用手册内容，在内容准备过程中，将遵循以下两点原则智能客服架构：
A、突出重点
可结合既往的平台用户服务经验，发现用户主要关注哪几大方面的问题，在内容准备时可优先准备部分的引导内容智能客服架构；
B、人性化呈现
考虑用户的平台熟悉度与计算机使用能力，将每部分功能介绍分为精简版、详解版来进行展示，做到有效帮助学员熟悉平台使用智能客服架构；
（3）在功能实现方面，平台使用手册可采取积木式结构来架构各部分内容，为内容的维护、更新及调用提供便捷且高效支持。
2、构建智能客服体系框架与产品规划，提高用户支持的有效度
基于平台功能使用手册的基础支持，建议进一步升级完善客服体系，从用户实际操作的角度出发，以帮助用户完成学习目的为导向，为其设计在线学习平台登录、学习、考试等关键路径指引，并以常见问题、在线客服为辅助，做到个性化、定位式、实时性的学习支持，高效解决学员的平台使用问题。
可结合企业在线学习平台统筹运营模式，建议智能客服体系在移动端、PC端两大渠道同时搭建、逐步完善，为用户提供全渠道的支持服务。
从市场开拓者到市场领头羊，从竞争到取胜，客户服务、客户满意度正日趋成为企业获取新用户和留存老用户的重要因素。
从国内外云客服市场发展来看，各有差异。国内中小型企业以降低运营成本提升成单率为重点，大中型企业以全方位的客户沟通和服务，分析了解客户为重点。国外则发展成了以Zendesk为首的较为成熟的云客服市场，侧重以工单为核心整体协调解决客户问题。
我国企业早期的客户服务主要停留在售后阶段，到互联网发展中后期逐渐演变成以售前提升订单率为主售后为辅的服务模式。随着国内消费市场由产品型想服务型、体验式消费过度阶段，企业应建立一套覆盖售前售中售后的服务体系。目前市场上大多数的云客服偏向于售前、售后服务模块，在售中过程中，企业各业务部门与客服部门的写作还需加强，帮助客户在购买和咨询过程中产生愉快的购物或产品使用体验，为产品创造更高的附加值。
售前
一体化的服务平台，全渠道多方位的客户服务。智能手机和互联网的发展，彻底改变了人们的生活习惯，移动应用催生的巨大商业价值让企业迫切需要建立一体化的客户服务平台，将客户的请求入口以及客服处理请求统一到一个服务平台上来。在客户服务请求的入口上必须多样化，诸如企业门户网站、服务网站、***、APP、邮件、工单、应用程序等入口，能够实现便捷、快速的交流；而在客服处理请求的工作中，要求即时响应、快速解决；由此可见，只有统一，才能使服务有条不紊。
售中
专业的业务技能和服务水平。目前企业在云客服的应用中主要集中在售前阶段，占比57%，云客服在企业售中的应用仅占18%。事实上，对于以强服务类型或高销售单价的行业，售中的服务咨询、商品推荐、商品使用对于客户最终是否买单有决定性作用，如金融、教育、软件、法律等行业。
高效的业务协作。在客户使用或咨询过程中，需要时时跟进客户使用感受以及客户问题，确保能够随时与客户保持沟通顺畅。以软件行业为例，因为是无形产品，用户只有在软件使用过程中才能感受到产品功能是否与需求匹配，产品的某个功能该如何使用，产品在接口或集成问题上需不需要打通，产品运行是否稳定、流畅，这些问题涉及到产品售卖、产品使用、产品研发等多个方面，需要企业各个部门即时进行协作，帮助客户消除各种疑问和顾虑。能否即时得到反馈，是否有流畅的体验感受直接决定客户最后是否要买单。从这个层面上来讲，企业与客户互动过程中的售中服务远比售前更重要。
售后
衡量售后服务的主要指标：客户服务响应时间、客户满意度、客户问题解决率。客服分组、客户智能分配、一体化服务平台等都能有效提升前面两项指标，而高效的客户问题决率则需要有高效的内部沟通结构，能够实现客服部与业务部、产品部、销售部各部门的即时协作。目前国内市场上云客服在售后的应用中也仅占少数，智齿、七鱼、小能均是以偏向售前为主的客服系统，逸创、Udesk则模仿Zendesk模式，引入了工单；Web1800则是以会话、机器人客服、工单、远程协助的模式，来实现企业各部门在后台的沟通与协作转接。
总体来说，无论是从企业自身运营和研发成本考虑，还是从深度专业软件上，企业采购一套云客服系统使用公有云似乎是比自己投入技术研发更好的选择。在客服系统的选择上，需要考虑到：
系统本身稳定性与流畅性。企业软件一旦投入使用就是牵一发动全身的事，所以必须考虑软件本身运行的稳定性和安全性。
开放平台，支持与CRM、知识库、呼叫中心、工单的扩展集成。大多数企业都有自己的CRM或呼叫中心或工单系统，各个系统之间需要保持数据的一致性以减少客服工作量，有效利用客服时间。
完善的售后服务处理机制，包括服务请求接入、服务升级、服务转接、问题解决率等等。
客户满意度反馈。售后服务尤其重视客户问题解决率以及客户对服务和产品的满意程度，企业在搭建售后服务体系时，应建立一套完整的能够考核客服人员绩效以及反应客户满意度情况的服务体系，减少客户在售后问题处理时的反感、焦躁情绪，提供便捷的客户服务请求渠道。
机器人客服也是一个全新的风口，它为客服工作带来的便利性是不言而喻的，同时可以最大限度的降低企业服务成本。但是机器人客服在语义识别、自主学习能力以及人工智能化，未来还有很大的增长潜力。 关于智能客服架构和智能客服体系的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。 智能客服架构的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于智能客服体系、智能客服架构的信息别忘了在本站进行查找喔。
本文目录一览：
智能客服系统架构是怎么样的呢？
请点击输入图片
AI+智能客服体系中，并不是真正意义上完全取代传统客服，而是将人工智能赋能在客服领域上，体系中增设智能在线服务机器人，通过智能知识学习与大数据提供智能坐席知识库、智能人机协作等举措，打造智能客服体系。在实用性上，毫无疑问够击中企业优化服务过程中的痛点：一方面，针对高频次、高重复率的提问和海量客户，高性能的智能客服机器人能够提高工作效率，极大地降低人工成本。另一方面，如何为客户输出全面的高质量服务，更好地提升用户在消费升级当中的体验？智能客服似乎更能满足当下消费者们对于客户服务的移动性、即时性和社交性以及多渠道化的需求。
一个优秀的智能客服机器人，要在长期的交互过程中不断学习和自我完善，达成对接收到的语句进行更精准的语义分析，能够通过上下文关联、场景管理、个性化推理等过程对自然语言进行准确理解，同时更需要积累庞大的知识库，特别是在相关专业知识方面进行长期学习。而几度经历转型和挑战的小i机器人，在智能客服这一领域，终于拥有了更大的话语权。
智能客服结构-v1.0
前言 ：这篇文章仅对客服机器人这种偏任务导向型机器人架构的探究，文章中部分是已经得到验证的经验，部分是经历了行业无数竞品的对比中针对面临的问题重构出的产品结构。我一直坚持“对话机器人的对话结构是一个产品策略”的观点，所以这篇文章更偏向于针对电商（笔者是电商垂直行业）智能客服对话机器人（文中简称智能客服）中的用户现象的产品策略问题，有不足之处欢迎各位产品与技术大佬们指导。一、目录概述
内容主要分为整体结构与常见问题两个角度的探究。因用户在智能客服中的表现的多样性，故不穷举赘述，在每个解决方案与架构设置原因中针对单独问题一一探究。
二、智能客服主要解决的问题
客服主要解决用户Q（query）→A（answer）问题，好的资深客服对业务逻辑结构更了解，不仅能基于用户未完全形容时推断用户情况、根据用户情况给予更多的业务解决方案，更能在对话中判断用户的倾向性（情感、期望值等）。
那智能客服如何像客服一样解决问题呢。下面引入三个概念
图1 用户问法，业务逻辑结构，业务解决方案关系图
名词解释：
[if !supportLists]Ø [endif] 业务逻辑结构（因笔者对知识图谱理解太浅，固用此名字代替） ：面向用户的业务类型，多呈现树状结构，如售后，售后-退货，售后-退货-运费等的二叉树结构；某个子业务的判断条件，如常见电商的退货条件为七天。
注 ：为什么将判断条件放在业务逻辑结构中，后续会讲到的用户问法中会将某一判断条件作为意图放在会话中。如“我要退货”的处理方式需要判断用户订单是否超过七天，用户的延伸问法“我的订单刚买两天，想退货”，此问题在理解中属于重难点解决问题。
[if !supportLists]Ø [endif] 业务解决方案 ：通常针对于某一业务会延伸出多样化的子业务，如：“我要退货”“退货用什么快递”“退货的运费谁承担”，通常对于一问题会有至少1+的解决方案（公司能提供的解决方案多少问题根据公司能力决定不在此讨论）。
[if !supportLists]Ø [endif] 用户问法 ：自然语言中的现象结合某一子业务产生的问法类型不用，如：“定义类——什么是七天无理由退货”“满足类——我的订单支持七天无理由退货吗”等。
解决智能客服问题应答用户问题主要解决 两个问题 ：
1.解决用户问法在业务逻辑结构（知识图谱）中的位置问题。
2.解决用户问法+业务逻辑结构=用户解决方案问题。
三、
针对于上面我们提到的智能客服主要解决的问题，笔者提供两种 解题思路 ：
[if !supportLists]1. [endif]分类业务类型，将业务类型中的问题用QA的方式维护，对用户问题中的子串（去无用词“吗”“好的”等）用检索重排序的方法分别在增加的Q中和A中进行筛选，最终筛选出阈值最高的一条Q或者A，以此条答案为回复用户问题的答案。当然，中间有不少稳定准确率与召回率的兜底方案，可根据实际情况调控。此方法的好处在于稳定，不过更像解决搜索问题而不是解决对话机器人问题。
2.第二种方案是本篇主要讲的方案，引用三角兽科技CEO 王卓然博士《任务驱动多轮对话评测标准【人机对话评测系列之一】》中的图为例。（文末会有此篇文章的链接）
图2: 任务驱动的多轮对话系统的一个经典框图
主要把智能客服对话结构为三部分：意图理解NLU（用户目的分类和Spoken Language Understanding）、对话状态（Dialogue State）、应答（System Action）。图中ASR（语音识别）、NLG（答案生成）、TTS（文语）模块因并非提升智能客服主要的体验问题，并且笔者未深入研究，故此篇文章不深入探讨，后续了解后会针对这些问题单独讲述。
三、智能客服与业务结合基础
3.1 把业务教给智能客服
上文中提到，要解决用户问题，必须让对话系统模拟业务的真实状况，所以梳理业务逻辑结构非常重要。
拆分业务逻辑主要为三点原则：
[if !supportLists]² [endif]用户通常有哪些目的（能提供的业务有哪些）
[if !supportLists]² [endif]这些目的之间有没有关联性（不包含会话中易出现的关联性）
[if !supportLists]² [endif]哪些信息（条件）是实现目的的必要因素
待探究问题：有没有清晰的拆解规则同时满足NLU的准确性与业务的完整性？此规则能否通用？
拆分完业务逻辑结构，更重要的是把业务逻辑结构教给智能客服。基于拆分的三点原则，我们要教给智能客服的为两点：
[if !supportLists]² [endif]有哪些意图（intent）或分类—自然语言理解的分类问题。
[if !supportLists]² [endif]哪些是实现意图的必要条件—结构化识别与多轮对话问题。
3.2 理解用户在对话中的目的
在对话系统中，自然语言中的query会呈现结构化的语义表示，这个结构化的语义通常被称作dialogue act由 communicative function 和 slot-value pairs 组成，其中 communicative function 表示 query 的类型（如：陈述需求，询问属性，否定，选择疑问，等等）而每个 slot-value pair 则表达一个限制条件（constraint），也可理解为用户目标的一个组成单元。
例如“我的订单到上海了吗”对应的dialogue act可以表示为inform（entity=订单or物流，location=上海）。这里的inform就是communicative function，表示询问查询，“entity=订单or物流“和“location=上海”是限制条件（slot-value pair）
四、智能客服架构
3.3 意图识别NLU
此处的意图识别NLU，单指 对用户标准问法(用户一句话把问题描述清楚)的理解与分类 和对话系统中的 口语处理问题 。
由于用户在对话系统中输入时更偏向与口语化的表述，所以在对话系统的意图识别板块，我们更关注口语处理，其中包含了对非严谨语法（即用户问题可能产生的语法错误纠错与错别字接错）和识别中如何保持准确的鲁棒问题。
为什么一定要将用户语义（dialogue act）作 结构化识别 ，主要是解决用户将条件加在会话中陈述的导致容易造成智能客服理解混淆问题（例如上文提到的我收货两天了能不能退货）。
当然，我们也可根据业务场景不同才用不同的识别策略。
Google 的dialogflow 在识别上有的三种策略：
[if !supportLists]² [endif]trait策略：整句理解，比如意图、情感等，通过分析整个用户问句来得到实体值
[if !supportLists]² [endif]free-text策略：用来抽取用户问句中的子串，这些子串通常不会包含在预定义的实体值词典中
[if !supportLists]² [endif]keywords策略：用于处理需要抽取的实体值可枚举的情况，我们为实体准备好一个预定义的实体值词典，该实体的抽取就通过使用实体值词典做匹配来完成
百度UNIT 也同时区分了利用词槽与槽组的识别与特征词的识别。
采取哪种识别策略，主要还是根据业务的可行性与最终达到的效果进行确定 ，当然亦可组合使用，我们可以根据词槽来判断用户询问的业务之间的关联性，可根据用户整句识别判断用户的情感偏向，也可在业务子串可穷举并且关联性小的情况下使用关键词策略提高识别的准确性。
但是在用户与机器完成的单轮对话中，依然存在一定的难点，此问题在后面详细讨论。
结论： 上文中提到的意图识别或SLU问题，大家应该可以注意到，其本身都是典型的结构化分类问题，虽然所用的模型千差万别，其中对于处理过拟合、欠拟合的方法也褒贬不一，但是无非就是准确率、召回率等问题。
3.4 对话状态
对话系统中存在的现象决定了对话状态跟踪（Dialogue State Tracking）存在的必然性。
大家可以注意到，上文中提到的分类问题属于标准情况下的处理方式，但用户在对话系统中的表现拥有不确定性，所以在这里给对话系统引入了一个在不确定性环境下决策的问题（planning under uncertainty），虽然最终的决策是由下面要介绍的对话策略完成的，但是对话状态需要为后面的决策提供依据，也就是如何刻画这个不确定性的问题。
在智能客服对话中存在以下现象：
[if !supportLists]ü [endif]不考虑上文中提到的口语处理，在用户问法中，存在 闲聊 与 业务 两种形态的对话，其中闲聊为业务的辅助构成部分。
[if !supportLists]ü [endif]业务问题中，存在 意图清晰 与 意图模糊 的问法
[if !supportLists]ü [endif]用户意图清晰的情况下，我们需要根据业务需要让用户补充必要条件，或通过用户补充让问题更精确。如：天气问题中，用户询问“北京明天天气”“北京明天八点天气”，都可给出答案，不同的在于答案的精准程度。
基于以上三种现象，首先我们需要知道用户在 当前对话 中 处于什么状态， 其次是根据当店对话状态我们给出用户 最终答案 需要什么 对话策略。
3.4.1 对话状态跟踪
对话状态跟踪，简单来说就是根据对话来确定用户 当前或最终的目标 到底是什么，此处不仅包括封闭域对话中的 任务驱动式多轮对话， 还包括区分闲聊、问答、任务四类问题，根据业务情况划分意图模糊与意图清晰之间的界限。
[if !supportLists]Ø [endif]在区分闲聊、问答、任务类问题中，大概可分为三点
[if !supportLists]1. [endif] 为什么要区分闲聊 ：闲聊是一种不局限于话题的开放域聊天（开放域机器人如微软小冰），即在用户的问题 没有明确的信息 或 服务需求时 系统做出的回应。
开放域聊天在智能客服中的作用有两点：第一点为拉近距离、顺滑对话过程、建立信任等；第二点为挖掘用户情绪引导用户服务请求。
[if !supportLists]2. [endif] 是否需要区分问答、任务类 ：以智能客服行业典范阿里小蜜来说，是区分了问答类和任务类问题的，但是为什么区分政策和任务类问题以笔者的经验来说仅是根据解决方案的不同，但在用户query无法提现。
如：“是否支持七天无理由退货”的两层含义：一层为公司政策是否支持，一层是用户询问购买的商品是否支持。前者是以搜索较优方案的政策类解答问题，后者是以任务式判断的方式解答问题更为准确。
所以，在QA问答系统和task flow驱动式系统上，个人认为电商类问题更趋向于用task flow解决问题并将QA融入其中。当然，此问题还需要根据客服解决问题的形态具体情况具体分析。
[if !supportLists]Ø [endif]意图清晰与意图模糊问题
如何定义意图清晰与意图模糊问题，抛开自然语言中的口语处理不讲，我认为它 更偏向 于一个 业务问题 。
对于用户来说，用户对智能客服的目标（user goal）是可以确定的，用户目的的表示形式是一组限制条件（slot-value
pairs）的排列组合。换句话说，理解用户真正的目的（user goal），需要机器理解上文中说到的业务逻辑结构（知识图谱）中每一枝干的关系（或归属于某一枝干）。
也就是说，当用户当前的会话表述中某一组限制条件的排列组合 对应多个枝干 时，为 意图模糊问题 。当 对应一条枝干 时，为 意图清晰问题。
对于 意图模糊问题 的解决方式，大可以用检索式反问的形式来引导用户，即询问用户 可能想问的问题是什么 。对于 意图清晰问题 ，但无法给出明确答案时，为一个 任务驱动式的多轮对话问题 （后文多轮对话展开讨论），即电商问题中常见的需要用户补充订单号或某些意图。
[if !supportLists]Ø [endif]当进行了前面的口语处理，闲聊与业务区分，区分意图模糊与清晰问题后，我们已经可以理解了用户的目的，即用户问的问题属于业务逻辑结构（知识图谱）中的哪一枝干，接下来在解决用户服务请求的过程中，最后需要处理的就是 补充用户目的所需的判断条件或槽位 （如“查物流”我们需要知道用户的订单号）和 判断用户的目的改变 （如“查物流”转变为“几天能到”问题） 。
以上问题为智能客服对话状态跟踪中常见的需要解决的问题，但是任务驱动式多轮对话中问题现象不仅于此，在下文的多轮对话问题中再详细阐述。
3.4.2 对话策略
理解了用户在对话中的行为，我们来讨论一下关于对话状态中使用的对话策略问题。
对话策略是根据上面介绍的置信状态来决策的过程。对话策略的输出是一个系统动作（system action）。和用户的 dialogue act 类似，系统动作也是一个由communicative function 和 slot-value
pairs 组成的语义表示，表明系统要执行的动作的类型和操作参数。“每次决策的目标不是当前动作的对与错，而是当前动作的选择会使未来收益的预期（expected long-term reward）最大化”
根据上文中的讲述，此问题也可分为三种类型。
[if !supportLists]Ø [endif]基于开放域机器人的闲聊来建立信任、引导操作、增加对话流畅度问题，此问题笔者并没有深入研究，但就经验来讲，可实现的策略包含用户发起咨询时的预判用户问题与引导用户操作。
[if !supportLists]Ø [endif]区分用户意图模糊与意图清晰的策略，在意图模糊中，个人更偏向于用检索+重排序的方式定位用户问题在训练语料或业务逻辑结构，进而产生用户可能咨询的问题，也就是在对话中反问用户，但一方面用户会因为机器人猜的不准确而对智能客服的信任感降低，另一方面推测的准确性和人一样，更依赖于知识的覆盖率与准确率。所以，让智能客服像资深客服一样能“猜”的更准，还是一个需要实际验证的问题。
[if !supportLists]Ø [endif]任务驱动式多轮对话中的补充用户槽位与目的转变的槽位继承问题本身更偏向于根据业务去优化的问题。
补充用户槽位的问题很好理解，如“查物流”需要询问“您要咨询的订单号是？”，进而能得到很好地解决。
目的转变后的槽位继承问题还是需要根据业务情况做详细调整，如上文提到智能客服在“查物流”中获取了用户订单号，那么用户问“多久能送到”时，意图转变后订单号依旧需要继承。当然此问题中会因用户有澄清式问法而改变，如用户增加“我要咨询其他订单”的问法后，即清除对话状态中的“订单”。以上只是举了两个简单的例子，但一个业务中可能包含多个槽位或一整个槽位组（槽位之间存在平行、依赖关系），针对于业务情况不同，对话策略还需要精细化运营。
3.5 应答-最终答案
在经历了教会智能客服理解用户问题的漫长过程后，我们终于来到了讨论给予用户的解决方案部分。
普遍的来讲，解决方案可以有文本、图文、视频、API集成等多种的样式，但实际最终用户的query只会得到唯一的answer，这个唯一的answer的样式及丰富程度，不仅仅取决于我们业务不同需要给予用户不同的解决方案，同时也依赖于对话状态中还可以记录完成对话任务所需的其他额外信息，例如用户当前询问的属性（requested slots），用户的交互方式（communication
method），和用户或系统的历史对话动作（dialogue history）等等。
以观察阿里小蜜的经验来讲，小蜜从原来的图文答案部分转向了API继承的方式，但依然没有感知出针对于用户画像给予不同的答案（可能是我不怎么咨询客服的原因）。
所以以上的内容就不在这里展开，我会在后面《智能客服服务提升》中讨论。
四、结论
能从头看到这里，我相信不是对智能客服本身有一定了解忽略了一大部分抽象内容，就是根本不需要看前文就能理解结构的大佬。
个人认为，智能客服的架构本身只有三部分意图识别及SLU问题对业务进行的分类问题，用户在对话中的表现转化为标准问法的对话状态（DST）问题，与归属完问题后提供给用户最终的解答方案问题。完成这三部，大概在产品架构上能实现智能客服从0到1的方案。
当然构建三部分时应该遵循几点原则：
[if !supportLists]1. [endif]保持训练语料的一致性，用户问题是否直接分类、意图模糊或需要用户补充统一由对话状态模块判断。
[if !supportLists]2. [endif]业务的拆解尽可能细致，因为业务逻辑结构（知识图谱）决定了结构化识别的准确性与对话状态的判断准确率。
[if !supportLists]3. [endif]识别策略和对话策略中尽可能增加兜底方案保证准确率与召回率，结构化识别并不是万能的，有时我们也需要加入检索的方式保证用户问题会产生一个相对准确的解决方案。
以上为智能客服架构时的一些思路，至于每部分中提到的具体问题，会在后续《智能客服的服务提升中》探讨。
如何搭建企业在线学习平台智能客服体系？
基于目前大多数企业在线学习平台客服运营尚处于通过电话、***、邮件解决用户问题阶段智能客服架构，搭建智能客服体系的第一步可以从梳理平台使用手册出发，先准备平台使用引导内容，再逐步推动智能客服体系搭建与功能规划，做到切实、高效、精准的解决学员在使用平台过程中遇到的问题，达到进一步提升平台使用率的目的。1、梳理平台使用手册，完善平台用户运营基础支撑
在建设平台使用手册过程中，可以基于先重点、后全面的指导思想，从内容定位、内容准备、功能实现等方面逐步建设平台使用手册。
（1）在平台使用手册内容准备前，可先将通过各个渠道收集的用户反馈问题进行梳理、分类及汇总分析，得出用户反馈最多的问题类型，为平台使用手册的内容准备提供指导方向、为建设排期提供精确建议智能客服架构；
（2）基于内容定位阶段的分析结果，按照计划逐步准备使用手册内容，在内容准备过程中，将遵循以下两点原则智能客服架构：
A、突出重点
可结合既往的平台用户服务经验，发现用户主要关注哪几大方面的问题，在内容准备时可优先准备部分的引导内容智能客服架构；
B、人性化呈现
考虑用户的平台熟悉度与计算机使用能力，将每部分功能介绍分为精简版、详解版来进行展示，做到有效帮助学员熟悉平台使用智能客服架构；
（3）在功能实现方面，平台使用手册可采取积木式结构来架构各部分内容，为内容的维护、更新及调用提供便捷且高效支持。
2、构建智能客服体系框架与产品规划，提高用户支持的有效度
基于平台功能使用手册的基础支持，建议进一步升级完善客服体系，从用户实际操作的角度出发，以帮助用户完成学习目的为导向，为其设计在线学习平台登录、学习、考试等关键路径指引，并以常见问题、在线客服为辅助，做到个性化、定位式、实时性的学习支持，高效解决学员的平台使用问题。
可结合企业在线学习平台统筹运营模式，建议智能客服体系在移动端、PC端两大渠道同时搭建、逐步完善，为用户提供全渠道的支持服务。
云客服的系统架构是什么？有何功能？
云客服系统的架构一般分为前端、后端和存储三个层次。前端主要负责用户交互界面的设计和实现智能客服架构，包括用户端的聊天窗口、客服端的工作台等智能客服架构；后端主要负责系统的核心逻辑处理和数据管理智能客服架构，包括用户信息管理、消息传递、客服管理、报表统计等；存储层主要负责数据的存储和管理，包括消息、用户信息、日志等各种数据的存储。
云客服系统的功能主要包括以下几个方面：
多渠道接入：可以通过不同的渠道接入系统，包括网站、***、APP等多种方式，方便用户进行咨询和客服沟通。
智能路由：可以通过智能路由技术，将用户的咨询请求自动分配给最合适的客服人员，提高咨询效率和客户满意度。
多人协同：可以支持多名客服人员同时处理客户的咨询请求，实现多人协同工作，提高工作效率。
消息记录：可以对客服过程中的聊天记录进行存储和管理，方便后续的数据分析和报表统计。
数据分析：可以对客服数据进行分析和统计，智能客服架构了解客户需求和反馈，为企业决策提供依据。
机器人客服：可以通过机器人客服技术，对常见的问题和咨询进行自动回答，降低客服工作量，提高效率。
客户满意度调查：可以通过客户满意度调查功能，了解客户对服务的反馈和意见，提高客户满意度和服务质量。
以上是云客服系统的一些常见功能，不同的云客服系统可能会有所差异。
云客服系统架构
云客服简言之就是基于云平台，可覆盖多种终端，为客户建立全方位多渠道的客户服务体系。以客户为中心协调人员、业务部门、服务流程的服务体系，以提高成单率、续费率，确保用户留存率为根本目的。从市场开拓者到市场领头羊，从竞争到取胜，客户服务、客户满意度正日趋成为企业获取新用户和留存老用户的重要因素。
从国内外云客服市场发展来看，各有差异。国内中小型企业以降低运营成本提升成单率为重点，大中型企业以全方位的客户沟通和服务，分析了解客户为重点。国外则发展成了以Zendesk为首的较为成熟的云客服市场，侧重以工单为核心整体协调解决客户问题。
我国企业早期的客户服务主要停留在售后阶段，到互联网发展中后期逐渐演变成以售前提升订单率为主售后为辅的服务模式。随着国内消费市场由产品型想服务型、体验式消费过度阶段，企业应建立一套覆盖售前售中售后的服务体系。目前市场上大多数的云客服偏向于售前、售后服务模块，在售中过程中，企业各业务部门与客服部门的写作还需加强，帮助客户在购买和咨询过程中产生愉快的购物或产品使用体验，为产品创造更高的附加值。
售前
一体化的服务平台，全渠道多方位的客户服务。智能手机和互联网的发展，彻底改变了人们的生活习惯，移动应用催生的巨大商业价值让企业迫切需要建立一体化的客户服务平台，将客户的请求入口以及客服处理请求统一到一个服务平台上来。在客户服务请求的入口上必须多样化，诸如企业门户网站、服务网站、***、APP、邮件、工单、应用程序等入口，能够实现便捷、快速的交流；而在客服处理请求的工作中，要求即时响应、快速解决；由此可见，只有统一，才能使服务有条不紊。
售中
专业的业务技能和服务水平。目前企业在云客服的应用中主要集中在售前阶段，占比57%，云客服在企业售中的应用仅占18%。事实上，对于以强服务类型或高销售单价的行业，售中的服务咨询、商品推荐、商品使用对于客户最终是否买单有决定性作用，如金融、教育、软件、法律等行业。
高效的业务协作。在客户使用或咨询过程中，需要时时跟进客户使用感受以及客户问题，确保能够随时与客户保持沟通顺畅。以软件行业为例，因为是无形产品，用户只有在软件使用过程中才能感受到产品功能是否与需求匹配，产品的某个功能该如何使用，产品在接口或集成问题上需不需要打通，产品运行是否稳定、流畅，这些问题涉及到产品售卖、产品使用、产品研发等多个方面，需要企业各个部门即时进行协作，帮助客户消除各种疑问和顾虑。能否即时得到反馈，是否有流畅的体验感受直接决定客户最后是否要买单。从这个层面上来讲，企业与客户互动过程中的售中服务远比售前更重要。
售后
衡量售后服务的主要指标：客户服务响应时间、客户满意度、客户问题解决率。客服分组、客户智能分配、一体化服务平台等都能有效提升前面两项指标，而高效的客户问题决率则需要有高效的内部沟通结构，能够实现客服部与业务部、产品部、销售部各部门的即时协作。目前国内市场上云客服在售后的应用中也仅占少数，智齿、七鱼、小能均是以偏向售前为主的客服系统，逸创、Udesk则模仿Zendesk模式，引入了工单；Web1800则是以会话、机器人客服、工单、远程协助的模式，来实现企业各部门在后台的沟通与协作转接。
总体来说，无论是从企业自身运营和研发成本考虑，还是从深度专业软件上，企业采购一套云客服系统使用公有云似乎是比自己投入技术研发更好的选择。在客服系统的选择上，需要考虑到：
系统本身稳定性与流畅性。企业软件一旦投入使用就是牵一发动全身的事，所以必须考虑软件本身运行的稳定性和安全性。
开放平台，支持与CRM、知识库、呼叫中心、工单的扩展集成。大多数企业都有自己的CRM或呼叫中心或工单系统，各个系统之间需要保持数据的一致性以减少客服工作量，有效利用客服时间。
完善的售后服务处理机制，包括服务请求接入、服务升级、服务转接、问题解决率等等。
客户满意度反馈。售后服务尤其重视客户问题解决率以及客户对服务和产品的满意程度，企业在搭建售后服务体系时，应建立一套完整的能够考核客服人员绩效以及反应客户满意度情况的服务体系，减少客户在售后问题处理时的反感、焦躁情绪，提供便捷的客户服务请求渠道。
机器人客服也是一个全新的风口，它为客服工作带来的便利性是不言而喻的，同时可以最大限度的降低企业服务成本。但是机器人客服在语义识别、自主学习能力以及人工智能化，未来还有很大的增长潜力。 关于智能客服架构和智能客服体系的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。 智能客服架构的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于智能客服体系、智能客服架构的信息别忘了在本站进行查找喔。
本站部分文章、图片属于网络上可搜索到的公开信息，均用于学习和交流用途，不能代表班牛的观点、立场或意见。我们接受网民的监督，如发现任何违法内容或侵犯了您的权益，请第一时间联系小编邮箱jiasou666@gmail.com 处理。
相关文章
发表评论
暂时没有评论，来抢沙发吧~