郭其鑫 于衛(wèi)紅 李朝輝

摘 ?要： 本文設(shè)計了一種分層結(jié)構(gòu)的聊天機(jī)器人系統(tǒng)，在互聯(lián)網(wǎng)上搜集與顧客服務(wù)相關(guān)的對話數(shù)據(jù)，設(shè)計電商顧客服務(wù)領(lǐng)域的知識庫，構(gòu)建基于LSTM的Seq2Seq模型用于生成回答，使用樸素貝葉斯分類模型來對不同類型的問題選擇合適的回答策略，并在必要時轉(zhuǎn)向人工客服。

關(guān)鍵詞：?聊天機(jī)器人;電子商務(wù);客戶服務(wù);智能問答模型

中圖分類號： TP311.52????文獻(xiàn)標(biāo)識碼：?A????DOI：10.3969/j.issn.1003-6970.2019.09.019

本文著錄格式：郭其鑫，于衛(wèi)紅，李朝輝. 面向客戶服務(wù)的聊天機(jī)器人系統(tǒng)設(shè)計[J]. 軟件，2019，40（9）：84-86

Design of Chat Robot System for Customer Service

GUO Qi-xin， YU Wei-hong， LI Zhao-hui

（School of Maritime Economics and Management of Dalian Maritime University， Dalian Liaoning 116026， China）

【Abstract】： This paper designs a hierarchical chat robot system， which collects conversational data related to customer service on the Internet， designs a knowledge base in customer service field of e-commerce， builds Seq2Seq model based on LSTM to generate answers， uses Naive Bayesian classification model to select appropriate answer strategies for different types of questions， and turns to human service when necessary.

【Key words】： Chat robot; E-commerce; Customer service; Intelligent question-and-answer model

0??引言

如今，網(wǎng)絡(luò)購物由于其方便快捷、商品豐富等優(yōu)點，成為了人們生活中必不可少的一部分。為了更好地服務(wù)客戶，滿足消費者的交互性，各大電商平臺都使用了聊天機(jī)器人來提高工作效率與服務(wù)質(zhì)量。聊天機(jī)器人是指使用自然語言來模擬人類交談的計算機(jī)程序或機(jī)器人實體，它在眾多領(lǐng)域都有著廣泛的應(yīng)用^[1]。近年來人們對聊天機(jī)器人的需求不斷增長，使得該領(lǐng)域成為了一個熱門的研究方向。事實也證明在電子商務(wù)領(lǐng)域中，合理使用聊天機(jī)器人能夠提高客戶體驗^[2]。然而當(dāng)前大多數(shù)商用系統(tǒng)在無法回答用戶問題時會返回?zé)o意義的“安全回答”，這降低了顧客服務(wù)的質(zhì)量。

本文提出以人機(jī)協(xié)作的方式來解決這一問題。設(shè)計的聊天機(jī)器人系統(tǒng)旨在輔助客服人員工作，從而使電商客戶服務(wù)更加具有及時性、有效性和智能性。

1??相關(guān)技術(shù)

1.1??知識庫

知識庫指專家系統(tǒng)設(shè)計所應(yīng)用的規(guī)則集合，包含規(guī)則所聯(lián)系的事實及數(shù)據(jù)。作為知識元組的表示和管理平臺，知識庫在查詢檢索上有著優(yōu)異的性能，它可以在水平和垂直兩個方向上擴(kuò)寬知識范圍，從而提供給用戶更加豐富的信息。目前知識庫的最新形式是智能知識庫，它具備原子化、圖譜化、自主學(xué)習(xí)等特點^[3]，是企業(yè)客服聊天機(jī)器人使用的知識庫的主要模式，讓員工可以方便地獲取和管理知識，從而使工作效率得到突變式的提高^[4]。

1.2 ?Seq2Seq模型

Seq2Seq模型是一種能根據(jù)給定序列數(shù)據(jù)得到另一序列數(shù)據(jù)的模型，被廣泛用于自然語言處理任務(wù)中，如機(jī)器翻譯、自動摘要和問答系統(tǒng)等^[5-7]。該模型由一個編碼器和一個解碼器構(gòu)成，前者將長度可變的數(shù)據(jù)序列轉(zhuǎn)換為固定長度的向量表達(dá)，后者將這個固定長度的向量變?yōu)榭勺冮L度的數(shù)據(jù)序列。編碼器與解碼器結(jié)構(gòu)類似，都包含一系列的RNN單元，RNN的英文全稱為Recurrent Neural Networks，即包含循環(huán)的網(wǎng)絡(luò)，允許信息的持久化。而LSTM（Long Short Term）則是一種特殊的RNN類型，可以學(xué)習(xí)長期依賴信息^[8]。Seq2Seq模型的結(jié)構(gòu)如圖1所示，其中w是向量化后的用戶輸入，傳入編碼器的LSTM單元后轉(zhuǎn)換為固定長度的狀態(tài)向量e，其中e可以直接取最后一個時間步上的輸出，也可以通過注意力機(jī)制來得到^[9]。解碼器讀取e并在每一個LSTM時間步上產(chǎn)生輸出，在激活層計算并選擇概率最高的結(jié)果作為下一個時間步的輸入，最終得到回答向量。

如，編碼器將用戶輸入（how?are?you，也可以是中文）向量化后（到）傳入LSTM單元，經(jīng)過一系列變化得到固定長度的狀態(tài)向量e，解碼器讀取這個向量，在LSTM的每一個時間步上依次產(chǎn)生輸出。上面不同的圖形表示從不同的結(jié)果中選擇概率最高的那一個傳向下一個時間步（概率由softmax計算）。

2??系統(tǒng)設(shè)計

2.1系統(tǒng)總體設(shè)計

本文設(shè)計的面向顧客服務(wù)的聊天機(jī)器人系統(tǒng)，

通過搜集網(wǎng)上的客服問答數(shù)據(jù)來訓(xùn)練生成回答的模型，并建立相應(yīng)的知識庫，通過文本分類將用戶的問題分為知識檢索、閑聊和售后服務(wù)3個類別，以確定所采取的回答策略并及時轉(zhuǎn)向人工服務(wù)。系統(tǒng)整體流程如圖2所示。

在電子商務(wù)環(huán)境下，如果不具備必需的知識，再好的答案生成模型也難以給出令顧客滿意的回復(fù)。因此對于知識檢索類問題，系統(tǒng)在失配后立即轉(zhuǎn)向人工服務(wù);而售后服務(wù)類問題是顧客服務(wù)的關(guān)鍵，也適合交給人工客服處理。通過這種方式使機(jī)器與人工協(xié)同工作，發(fā)揮各自最大的作用。

聊天機(jī)器人系統(tǒng)的體系結(jié)構(gòu)為分層風(fēng)格，總共包括4層，自底向上依次為：數(shù)據(jù)層、語義層、應(yīng)用層和表示層。其中數(shù)據(jù)層封裝語料和知識的存儲細(xì)節(jié)，語義層封裝不具備業(yè)務(wù)價值的基礎(chǔ)性nlp任務(wù)，應(yīng)用層包括封裝具備業(yè)務(wù)價值的復(fù)雜nlp任務(wù)，表示層封裝人機(jī)交互。系統(tǒng)整體架構(gòu)如圖3所示。

2.2系統(tǒng)功能模塊設(shè)計

（1）生成式回答模型

從互聯(lián)網(wǎng)上搜集客服問答數(shù)據(jù)共3，593，155條，經(jīng)過一系列處理得到能夠被模型直接讀取的序列化二進(jìn)制向量。處理過程如圖4所示。

Seq2Seq模型中的編碼器和解碼器采用三層LSTM的結(jié)構(gòu)，每層包含512個隱藏層神經(jīng)元。詞向量的問題部分傳入編碼器，答案部分傳入解碼器，這一過程在多線程中進(jìn)行，如圖5所示。

（2）檢索式回答模型

聊天機(jī)器人系統(tǒng)的檢索式回答模型主要依靠知識庫來構(gòu)建。電子商務(wù)顧客服務(wù)的知識庫可以將分散于各產(chǎn)品領(lǐng)域、各商家、各人員中的知識集中起來統(tǒng)一管理，通過知識地圖和搜索引擎來方便用戶查詢^[10]。構(gòu)建好知識庫后將用戶提出的問題轉(zhuǎn)化為相應(yīng)的查詢語句，例如查詢某類產(chǎn)品、某個店鋪的知識。這一過程如圖6所示。

3??總結(jié)

本文設(shè)計了一種分層結(jié)構(gòu)的聊天機(jī)器人系統(tǒng)，結(jié)合使用了檢索式與生成式兩種技術(shù)路線，通過文本分類為用戶提出的不同問題選擇不同的回答策略;提出以人機(jī)協(xié)作的方式來服務(wù)顧客，將不具備必需知識的問題、關(guān)鍵而復(fù)雜的售后問題及時轉(zhuǎn)交人工處理。實驗結(jié)果表明，所設(shè)計的聊天機(jī)器人能夠有效地解決多數(shù)簡單的問題，而客服人員也能將主要精力放在提高服務(wù)質(zhì)量上。

此外，在對知識庫進(jìn)行更新、替換后，本文所設(shè)計的系統(tǒng)也可以用于其他應(yīng)用領(lǐng)域，如輿情引導(dǎo)、心理疏導(dǎo)、課程答疑等。

參考文獻(xiàn)

[1]?王浩暢，?李斌.?聊天機(jī)器人系統(tǒng)研究進(jìn)展[J].?計算機(jī)應(yīng)用與軟件，?2018，?35（12）：?1-6+89.

[2]?楊燕. 面向電商領(lǐng)域的智能問答系統(tǒng)若干關(guān)鍵技術(shù)研究[D].?上海：?華東師范大學(xué)，?2016.

• AMIT S. Introducing the knowledge graph[R]. America：?Official Blog of Google， 2012.
• 徐國軍，?楊建君.?企業(yè)間知識轉(zhuǎn)移、知識庫開發(fā)與突變式創(chuàng)新績效[J].?軟科學(xué)，?2019，?33（3）：?40-44.
• SUTSKEVER I， VINYALS 0， LE Q V. Sequence to sequence learning with neural networks[J]. Advances in Neural Inform a tion Processing Systems， 2014， 4（27）： 3104-3112.
• CHO K， VAN MERRIENBOER B， GULCEHRE C， et a1. Lea r ning phrase representations using RNN encoder-decoder for statistical machine translation[J]. Computer Science， 2014（6）： 1078.
• 董葉豪，?柯宗武，?熊旭輝，?孫玉霞，?夏端峰.?基于Seq2Seq的問答系統(tǒng)應(yīng)用研究[J].?福建電腦，?2018，?34（10）：?122-123.
• Hochreiter S， Schmidhuber J. Long short-term memory[J]. Neural computation， 1997， 9（8）：?1735-1780.
• Bahdanau D， Cho K， Bengio Y. Neural Machine Translation by Jointly Learning to Align and Translate[J]. Computer Science，?2014.
• 黃東歡. 面向電子商務(wù)領(lǐng)域的知識庫構(gòu)建技術(shù)研究[D].?河北：?華北理工大學(xué)，?2017.