如何细致地为用户提供业务知识服务？

近年随着深度学习及强化学习技术的进一步深入，智能问答机器人所依赖的知识库构建与维护成本也随之减少。大数据分析和智能语音技术在客服场景深入应用，AI正在变革客服行业的原有业态。

01

自动知识库构建：自动聚类

自动聚类是一种典型的无监督学习方法。聚类试图将数据集中的样本划分为若干个通常不相交的子集，每个子集称为一个簇，通过这样的划分，每一个簇可能对应一些潜在的类别。

云问机器人运用自动聚类技术将访客问题进行智能聚类，将众多问题归纳为不同类别，统一关联对应，自动构建知识库。

02

动态意图识别、自动语义泛化

知识图谱的构建是一个庞大的知识工程，涉及的技术例如实体识别、关系抽取、实体消歧、关系消歧、实体链接等。深度学习模型也可以进行应用，例如实体识别采用biLSTM+CRF模型、关系抽取采用句法分析器（Configuration+神经网络）、实体消歧等。

对于既定的场景而言，NLP及其背后的知识图谱技术对于简化认为的词库和问法建设有很大的推动作用。云问机器人基于图谱的问答（KBKQ）,在获取访客问题同时智能进行问句的解析，通过分词器与句法分析器，实体识别模型等一些列工具，准确高效分析访客意图。

03

攻克多元化问答场景难点

不同的对话场景及意图接收处理，对应不同对话模型建设。针对闲聊场景需要搭建检索生成式模型，与业务问答做区分，进行检索排序答复。回答业务类问题，难点在基于基本知识去推理。通过搜索匹配，计算相似度进行排序。使用知识图谱的问答，知识结构清晰，内容准确。任务指令式问答涉及多轮会话信息收集，上下文语义判断及记忆等特殊技术处理。

云问机器人准确识别用户指令、调侃、咨询、投诉等意图识别率已高达90%。长期上文记忆，上下文话题判断准确率81%。算法引擎技术支持，智能推荐访客下一步可能关心的问题。

04

构建智能维护模型，便捷高效

传统的知识维护模型需要大量的人工来进行前期的知识点梳理工作，手动进行分词。人工标注句法及语义重点。需要维护人员穷举相似问，主动发现未知问题。功能配置复杂，且权限相对混乱。

云问在知识梳理阶段采用机器人自动爬取+业务场景和问题列表梳理等辅助形式，机器自动分析，人工矫正协调的智能维护模型，知识库工作量减少了70%，机器理解准确率提升30%。