改进的多模型融合技术在客服问答系统上的应用

doi:10.11959/j.issn.1000-0801.2018308

电信科学 ›› 2018, Vol. 34 ›› Issue (12): 110-116.doi: 10.11959/j.issn.1000-0801.2018308

• 专栏：人工智能技术与应用 • 上一篇下一篇

改进的多模型融合技术在客服问答系统上的应用

王广敏¹,王尧枫²

¹ 中国电信股份有限公司上海研究院，上海 200122
² 华东师范大学计算机科学与软件工程学院，上海 200062

修回日期:2018-12-08 出版日期:2018-12-01 发布日期:2019-01-02
作者简介:王广敏（1991-），女，中国电信股份有限公司上海研究院工程师，主要从事NLP算法研究和数据挖掘方面的工作。|王尧枫（1997-），男，华东师范大学在读，主要从事数据分析和计算机网络方面的研究工作。

Application of improved multi-model fusion technology in customer service answering system

Guangmin WANG¹,Yaofeng WANG²

¹ Shanghai Research Institute of China Telecom Co.,Ltd.,Shanghai 200122,China
² College of Computer Science and Software Engineering,East China Normal University,Shanghai 200062,China

Revised:2018-12-08 Online:2018-12-01 Published:2019-01-02

摘要/Abstract

摘要：

随着人工智能技术的发展，越来越多的公司采用机器客服代替人工客服。但若采用传统关键词模型，则机器客服准确率难以提高；若采用深度学习模型进行训练，则又面临用户问题是短文本时，模型训练和预测效果不佳的问题。针对这些问题，通过深入研究和多次试验，提出一种融合关键词模型和基于字向量的深度学习模型的算法。最后实现了模型的训练和预测，在与传统算法的准确率对比方面展现了优势。

关键词: 问答系统, 深度学习, 人工智能

Abstract:

With the development of artificial intelligence(AI),more and more companies use machine customer service instead of manual customer service.However,if the traditional keyword model is adopted,the accuracy of the machine customer service is difficult to improve.If the deep learning model is used,the predict result is poor when the user problem is short text.Aiming at these problems,an algorithm combining keyword model and deep learning model based on word vector was proposed.The training and prediction of the model was realized,and the advantages were shown in the comparison with the accuracy of the traditional algorithm.

Key words: question and answer system, deep learning, AI

中图分类号:

TP391

王广敏,王尧枫. 改进的多模型融合技术在客服问答系统上的应用[J]. 电信科学, 2018, 34(12): 110-116.

Guangmin WANG,Yaofeng WANG. Application of improved multi-model fusion technology in customer service answering system[J]. Telecommunications Science, 2018, 34(12): 110-116.

图/表 6

图1

图2

表1

图3

图4

表2

问答系统文本特点	基于关键词的文本分类技术	基于循环神经网络的文本分类方法
短文本过多，用户往往只输入不到3个词	比较擅长，可以直接使用用户输入的关键词，通过分类器寻找概率排名较高的一个或多个标准问题组成建议问题，这些建议问题通常都包含用户提问的关键词，能大概率解决用户问题	表现较差，在训练过程中难以把握短文本素材前后文的语义，造成训练效果不佳。同时在模型预测时经常会出现答非所问的情况
同一种类问题有多重不同的问法	表现较差，中文针对一个问题有多种问法，如果每种问法都有不同的关键词，则关键词模型预测效果不佳。往往需要对每类问题维护一个庞大的扩展问的列表，扩展问题包含用户对同一个问题的多种问法，运维成本很高	表现较好，仅需将该类问题各种问法的训练语料输入模型，模型在预测中往往能定位到正确结果
问题中出现错别字	表现较差，需要针对不同的词语维护一个庞大的同义词列表，该列表中不但包括一个词的同义词，也包括了这个词可能出现的错别字	表现较好，神经网络主要通过上下文来推断词的意义，当出现错别字时，只要上下文语境类似，模型仍能推断出与正确的词很类似的语义
含糊、笼统的提问，不知道用户想表达的意思	表现一般，关键词模型倾向于给出用户问题中出现的关键字组成的建议问题	表现依赖于训练集，时好时坏。由于不了解用户的真实意图，在进行训练集标注的过程中将该类问题标注在哪里直接决定了实际应用时的预测结果

	训练集	验证集	测试集1	测试集2
数据量	7.5万条	1.4万条	1.4万	788条
神经网络模型	95%	91.38%	85%	88%
关键词模型	/	73.1%	70%	85%
融合模型	/	/	91%	86%

[1]	YU Z T . Chinese question classification based on support vector machine[J]. Journal of South China University of Technology, 2005,33(9): 25-27.
[2]	LI X , ROTH D . Learning question classifiers:the role of semantic information[J]. Natural Language Engineering, 1998,12(3): 229-249.
[3]	YUAN X J , SHI J X , NING H . Feature selection using syntactic and semantic information in question classification[J]. Computer Engineering ＆ Applications, 2008,44(33): 144-147.
[4]	SUN J G , CAI D F,DE-XIN L V ,et al. HowNet based Chinese question automatic classification[J]. Journal of Chinese Information Processing, 2007,21(1): 90-95.

[1]	郭泽华, 朱昊文, 徐同文. 面向分布式机器学习的网络模态创新[J]. 电信科学, 2023, 39(6): 44-51.
[2]	马晓亮, 刘英, 杜德泉, 安玲玲. 运营商智能客服的关键技术和发展趋势[J]. 电信科学, 2023, 39(5): 76-89.
[3]	卢敏, 胡娟, 张先超, 丁伟健, 乐光学. 基于用户多特征融合的个性化推荐模型[J]. 电信科学, 2023, 39(5): 101-115.
[4]	蒋瑞红, 冯一哲, 孙耀华, 郑海娜. 面向低轨卫星网络的组网关键技术综述[J]. 电信科学, 2023, 39(2): 37-47.
[5]	徐英姿, 刘原, 时梦然, 韩书君, 董辰, 王碧舳. 语义在通信中的应用综述[J]. 电信科学, 2022, 38(Z1): 43-59.
[6]	诸葛斌, 尹正虎, 斯文学, 颜蕾, 董黎刚, 蒋献. 基于学生知识追踪的多指标习题推荐算法[J]. 电信科学, 2022, 38(9): 129-143.
[7]	王晴天, 刘洋, 刘海涛, 宗佳颖, 杨峰义. 面向6G的网络智能化研究[J]. 电信科学, 2022, 38(9): 151-160.
[8]	李爱华, 吴晓波, 陈超, 魏彬, 史嫄嫄. 5G网络大数据智能分析技术[J]. 电信科学, 2022, 38(8): 129-139.
[9]	周杰, Esono Mikue Bernardo Esono, 王学英, 周惠婷, 罗宏. 基于SLM-PTS算法融合的NC-OFDM峰均比优化[J]. 电信科学, 2022, 38(7): 63-74.
[10]	黄秋萍, 刘晓峰, 高秋彬, 刘正宣, 金立强, 孙韶辉. 基于人工智能的大规模天线信道状态信息反馈研究[J]. 电信科学, 2022, 38(3): 74-83.
[11]	李攀攀, 谢正霞, 乐光学, 刘鑫. 基于深度学习的无线通信接收方法研究进展与趋势[J]. 电信科学, 2022, 38(2): 1-17.
[12]	申情, 郭文宾, 楼俊钢, 余强国. 考虑多层次潜在特征的个性化推荐模型[J]. 电信科学, 2022, 38(2): 71-83.
[13]	朱明伟. 网络智能化中的AI工程化技术方案[J]. 电信科学, 2022, 38(2): 157-165.
[14]	杨震, 赵建军, 黄勇军, 李洁, 陈楠. 基于网络演进的人工智能技术方向研究[J]. 电信科学, 2022, 38(12): 27-34.
[15]	程瑞营, 张攀, 肖雨, 乔宇杰, 张安奕. 基于时序数据的云网协同平台人工智能运维体系[J]. 电信科学, 2022, 38(11): 24-35.

改进的多模型融合技术在客服问答系统上的应用

Application of improved multi-model fusion technology in customer service answering system

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 4

相关文章 15

Metrics

推荐阅读 0