摘 要：随着客户服务工作的不断推进，为客户提供的服务业务越来越多，客服工作人员的压力越来越大，急需通过新的管理模式和技术手段来缓解客服工作人员的工作压力，有效降低服务成本，提高服务效率。根据公司2018年营销农电重点工作计划要求，加快服务渠道转型升级，深化“互联网+”电力服务建设已成为客服建设的首要目标。目前使用的知识库仅能通过关键词或目录查找知识文档、对坐席的要求较高进而影响了知识的使用效率，增加了通话时长等不足和亟待优化的急迫性，逐渐在当前智能应答潮流、知识的多样性等方面上越来越不能满足业务的需要。文章应用技术基于成熟商用的语音识别、自然语音处理平台与知识图谱技术，在此之上，开展含地方特色的智能95598支撑系统关键技术研究及应用。
关键词：智能客服；智能应用；自然语音处理；知识图谱
1 核心技术研究及应用
1.1 知识库的建设与模型的开发训练
（1）收集整理供电营业厅客户服务知识的范例，建立客户服务语料库、范例知识库和知识图谱。
（2）研发基于深度学习中的词向量嵌入语义空间的信息检索技术，提高人机会话业务咨询的能力和高质量人机交互的体验，建立基于语义理解的人工智能交互问答的业务应用智能检索模型。
（3）应用上述研发的基于语义理解的智能检索模型以及供电营业厅客户服务语料库和范例知识库，开发并训练出供电营业厅客户服务的智能问答业务咨询及业务办理的机器学习模型，并进行实际应用场景的交叉验证及优化机器学习模型。
（4）研发一款适用于供电营业厅服务的机器人客户服务人工智能应用软件。
1.2 基于AI驱动的智能知识库系统关键技术研究及应用
（1）研究95598全业务知识图谱构建技术，建立面向所有客户服务渠道的知识管理方案。
（2）研究基于语义理解的搜索引擎技术，提高搜索的准确性和快速性。
（3）建立省级95598客服统一知识智能化平台，开发省级智能知识库系统，可实现问题自动聚类分析和挖掘扩展的目的。
（4）研究智能知识库系统兼容性和扩展性，建立智能知识库的对外服务接口、運维管理及安全管控标准规范，满足智能互动式语音应答（Interactive Voice Response，IVR）、智能质检的拓展运用。
1.3 含地方特色的智能IVR服务系统关键技术研究及应用
（1）研究含地方特色语音语言的语音模型和语义理解模型，不断积累文本知识和高质量海量语音数据，并对上述模型自动训练和优化，实现对客户意图的准确研判，帮助客户快捷跳转至对应的IVR服务，减少客户与IVR交互次数，精简客户的操作。
（2）研究智能IVR导航全语音和半语音混合服务模式，建立快速服务场景流程与规范，以最优路径解决客户问题。
（3）在智能知识库构架下建立自助语音服务知识体系，智能搜索和调取与客户意图相匹配的知识信息，开发省级智能IVR服务系统。
（4）建立智能IVR服务的客户标签库，实现对客户诉求热点、难点进行聚类分析和自动预警。
2 NLP和知识图谱技术
自然语言处理（Natural Language Processing，NLP，语义计算）和知识图谱（Knowledge Graph，KG，知识计算）作为认知智能的关键技术，正成为智能应用中新的热点，也是未来发展趋势。这两种技术在各个领域的应用场景有高度的重合，往往是互为依托、互为补充。业务为重心，以数据为中心。如何让电力行业知识发挥作用依赖于这些关键技术。
2.1 智能问答和语义搜索
智能问答和语义搜索是NLP的关键技术，目的是让用户以自然语言形式提出问题，深入进行语义分析，以更好理解用户意图，快速准确获取知识库中的信息。
2.2 知识图谱的逻辑架构
知识图谱在逻辑上可分为模式层与数据层两个层次。模式层构建在数据层之上，是知识图谱的核心，通常采用实体库来管理知识图谱的模式层。
2.3 知识抽取
知识抽取是NLP的一种基础技术，是NLP进一步进行应用数据挖掘分析的基础，也是知识图谱中知识抽取的基础。采用的方法包括基于规则模板的槽填充的方法、基于机器学习或深度学习的方法。按抽取内容可以分为实体抽取、属性抽取、关系抽取、规则抽取、事件抽取等。
2.4 知识融合
在获得新知识之后，需要对其进行整合，以消除矛盾和歧义，某些实体可能有多种表达，如“电费”“电价”，某个特定称谓也许对应于多个不同的实体等。
2.5 知识加工
对于经过融合的新知识，需要经过质量评估之后（部分需要人工参与甄别），才能将合格的部分加入知识库中，以确保知识库的质量。
3 人工智能技术的实际应用
传统方式的人工客服是一个劳动密集型+知识密集型的工作，人工客服流动性非常大，客户满意度不高。大部分是机械重复的，还有很多没有经过充分培训很难给出准确解答。现在出现了越来越多的在线客服平台，传统服务模式受到冲击，新型服务向自助或者在线式转型，采用大数据+人工智能在客服领域能极大程度地降低成本、提高效率。
再就是营销风险管控方面的应用，主要包括风险回避和损失控制等；也涉及一些反欺诈的识别，比如信用评级和评估，如营销征信系统，衡量用户信用情况的应用。本文针对的是智能问答应用而非风控系统应用，所以在这不细说。
技术应用需与具体业务场景切合，解决真实的业务问题，这对技术人员提出了很高的要求和挑战。
笔者觉得有很多事情可以去做，搭建了一套智能咨询服务平台。咨询是服务层面的。这个平台面向外部用户和内部用户，是一个2B结合2C的模式。通过赋能B端用户，提高C端服务质量。
面向外部用户，目标用户是谁？面向内部用户，业务人员需要知识采编审阅用于内部培训和交流，运营人员需要收集反馈和优化操作，我们都可以提供相应的辅助。
我们把这个平台的技术概括成两个引擎：知识学习引擎和语义理解的引擎。这其中人机协同也非常重要，行业的准确率要求接近100%，纯靠机器是做不到的，需要让人能更有效地参与，更好地贡献知识。
智能问答有很多范式，2011—2012年出现了很多开元的知识库和吸引眼球的尝试，现阶段任何一项技术，都有其天花板及适用性，在一个技术不能打遍全场的情况下，需要有多引擎的问答。
在真正使用智能问答时，需要综合考虑数据来源、数据规模和构建成本等方面。
从技术形态来看，我们希望做到精确回答垂直领域的问题，但是这需要在本身的准确率、覆盖率，以及用户体验等很多方面做综合考虑，所以数据的来源，或者知识本身的形态会多种多样。我们希望更加友好的、直观可以判断的技术能够更好嵌入，来满足多引擎的需求。
具体的工程实践主要是4块：数据收集；模型更新；上线发布；反馈收集。数据获取通过技术层的领域词挖掘、数据标注和审核，针对不同类型的数据服务有不同的任务。
4 结语
随着客户服务自身业务拓展的需求，客服工作人员的压力越来越大，为有效降低服务成本，提高服务效率。采用大数据+人工智能技术与具体业务场景结合，最大限度地发挥AI技术的优势，可以大大解决业务需求。业务为重心，以数据为中心，把这些关键技术深度应用于业务中。