CN106202159A - 一种客服系统的人机交互方法 - Google Patents

Abstract

本发明涉及一种客服系统的人机交互方法，该方法借助用户反馈，使得效果不断优化，包括下述步骤：用户提出问题，等待客服系统回答问题；在客服系统回复答案界面，增加代表用户满意和不满意反馈的按钮，邀请用户对回答是否满意进行反馈；用户点击满意和不满意的行为，反馈到客服系统的日志中，并与当次用户问句以及客服回答关联在一起；基于上述日志，生成客服回答的正向样本和负向样本；利用正向样本和负向样本开展离线学习；更新客服系统离线学习后的常见问题解答FAQ知识。本发明提升用户体验，不让用户感到冷冰冰的。为客服问答的效果提供了充足的正例和负例样本。能够快速适应不断翻陈出新的新鲜用户问法。

Description

一种客服系统的人机交互方法

技术领域

本发明涉及人机交互方法，具体涉及一种客服系统的人机交互方法。

背景技术

企业客服是企业开展网络营销、技术支持、售后服务的重要手段。按照渠道划分，包含电话客服、视频客服、IM客服。按照客服的载体来划分，可以划分为人工客服和机器人客服。其中人工客服需要大量的客服坐席和复杂的呼叫系统，成本较高。机器人客服最近几年发展迅速，在针对FAQ(Frequently Asked Questions，经常问到的问题)类型解答方面优势明显，可以完全或部分取代人工客服的工作，大量降低人工客服的成本。

机器人客服不限于上述即时通讯形式的渠道，在电话客服和视频客服等渠道形式中，采用音视频编码、解码、语音合成、动画合成等技术，可以应用机器人客服。

机器人客服一般做法是采用搜索的方式。首先对FAQ库建索引。例如对如下FAQ库的Question和Answer经过分词处理，建文本索引：

Q：忘记密码怎么办？

A：选择右上角的“…”->支付管理->忘记支付密码->选择银行卡->根据提示填写相关信息->重新设置密码即可。

Q：如何设置新密码？

A：选择右上角的“…”->支付管理->修改支付密码->输入旧密码->输入新密码即可。

在遇到用户提问的时候，对用户问句进行理解，然后检索得到FAQ并打分排序，最终将最接近用户问句的FAQ展现给用户，这时会有三种情况和结果：

第(1)种情况，直接回答用户，并且回答正确；

第(2)种情况，因为Query理解失败、打分置信度不高等原因，返回默认的答案；

第(3)种情况，直接回答，但是回答错误。

在一般方案中，都采用同义词扩展、核心词提取等方法，完成Query理解以及与FAQ的相似度匹配。也有用高级方法，例如LSA(潜在语义分析)、Word2Vec(词向量方法)、LDA、深度学习等机器学习方法进行Query理解和FAQ相似度计算。但是由于训练样本的有限(因为人的语言是很难穷举的)，对未知用户问句仍然不能做到百分之百的准确。

由于Query理解和相似度匹配不能达到完美，使得机器人客服面对未知用户问句时，第(2)、(3)种情况始终会存在，回答错误的问句下一次还会回答错误。即使采用LDA、LSA、Word2Vec、深度学习等高级方法，也会受限于可以获得的训练语料的数量，不能做到持续学习。

发明内容

为解决上述现有技术中的不足，本发明的目的是提供一种客服系统的人机交互方法，该交互方法一方面提高用户体验，一方面能够支撑问答系统的效果持续优化。

本发明的目的是采用下述技术方案实现的：

本发明提供一种客服系统的人机交互方法，其改进之处在于，所述方法借助用户反馈行为，不断迭代优化效果，通过用户反馈行为获得进一步优化效果所需要的正向样本和负向样本；正向样本让客服系统以后遇到类似的问句时知道正确答案，负向样本不能直接推断出常见问题解答FAQ对应用户问句时的正确答案，能够让客服系统不会再按照之前被用户否定过的答案来回答；所述方法包括下述步骤：

(1)用户提出问题，等待客服系统回答问题；

(2)在客服系统回复答案界面，增加代表用户满意和不满意反馈的按钮，邀请用户对回答是否满意进行反馈；

(3)用户点击满意和不满意的行为，反馈到客服系统的日志中，并与当次用户问句以及客服回答关联在一起；

(4)基于上述日志，生成客服回答的正向样本和负向样本；

(5)利用正向样本和负向样本开展离线学习；

(6)更新客服系统离线学习后的常见问题解答FAQ知识。

进一步地，所述步骤(1)中，所述用户满意和不满意反馈的按钮用赞、踩文字代替，或用√、×符号代替，或用拇指向上、拇指向下手势代替。

进一步地，所述步骤(4)中，所述正向样本指的是用户点击满意的问答，所述负向样本指的是用户点击不满意的问答。

进一步地，所述步骤(5)中，离线学习方式包括信息检索方式和机器学习方式。

进一步地，所述信息检索方式采用同义词、核心词提取信息的方式；所述信息检索方式包括下述情况：

①正向样本：不同用户问句输出同一个常见问题解答FAQ，被点满意，客服系统挖掘出新的同义词；

②正向样本：不同用户问句输出同一个常见问题解答FAQ，被点满意，客服系统挖掘出新的核心词。

进一步地，所述机器学习方式采用分类方式，给每个常见问题解答FAQ建立分类器；所述机器学习方式包括下述情况：

<1>根据正向样本和负向样本提取出常见问题解答FAQ样本特征，对常见问题解答FAQ样本特征进行训练，建立常见问题解答FAQ样本的分类模型；

<2>根据未知用户问句，提取常见问题解答FAQ的特征，建立常见问题解答FAQ的特征分类模型，根据分类模型计算正向样本概率和负向样本概率。

进一步地，机器学习方式中采用端对端的方式对常见问题解答FAQ样本特征进行训练。

进一步地，所述客服系统包括即时通讯渠道的机器人客服，电话客服和视频客服形式。

进一步地，所述电话客服采用加入电话按键行为方式实现，所述视频客服采用加入可视界面上的按钮，或通过语音识别技术和手势识别技术，得到用户交互反馈，进而优化客服效果。

为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

与最接近的现有技术相比，本发明提供的技术方案具有的优异效果是：

(1)提升用户体验，不让用户感到冷冰冰的。

(2)为客服问答的效果提供了充足的正例和负例样本。

(3)能够快速适应不断翻陈出新的新鲜用户问法。

为了上述以及相关的目的，一个或多个实施例包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明某些示例性方面，并且其指示的仅仅是各个实施例的原则可以利用的各种方式中的一些方式。其它的益处和新颖性特征将随着下面的详细说明结合附图考虑而变得明显，所公开的实施例是要包括所有这些方面以及它们的等同。

附图说明

图1是本发明提供的信息检索方式的提取同义词的示意图；

图2是本发明提供的信息检索方式的提取核心词的示意图；

图3是本发明提供的机器学习方式的情况<1>示意图；

图4是本发明提供的机器学习方式的情况<2>示意图；

图5是本发明提供的客服系统的人机交互方法的整体流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。

本发明提出一种客服系统的人机交互方法，这种交互方法一方面提高用户体验，一方面能够支撑问答系统的效果持续优化，该交互方法借助用户反馈行为，获得进一步优化效果所需要的正向样本和负向样本。正向样本可以让客服系统以后遇到类似的问句时知道哪个回答是正确的，负向样本虽然不能直接推断出哪一个常见问题解答FAQ对应用户问句时正确的，但是可以让客服系统以后不要按照之前被用户否定过的答案来回答了。上节技术阐述中，不论是传统信息检索方案还是机器学习方案，只要有了正负样本，都可以达到这个效果。其流程图如图5所示，包括下述步骤：

(1)用户提出问题，等待客服系统回答问题；

(2)在客服系统回复答案的附近，增加代表用户“满意”和“不满意”反馈的按钮，邀请用户对回答是否满意进行反馈；本发明方案包含不限于其形式，可以用<“满意”“不满意”><“赞”“踩”>等文字代替，也可以用“√”“×”等符号代替。

(3)用户点击满意和不满意的行为，反馈到客服系统的日志中，并与当次用户问句以及客服回答关联在一起；

(4)基于上述日志，生成客服回答的正向样本和负向样本，即将用户点击满意的问答对作为正向样本，将用户点击不满意的问答对作为负向样本。

(5)利用正向样本和负向样本开展离线学习；若采用同义词、核心词提取等传统信息检索方法，那么可以采用如下离线学习方式，挖掘出新的同义词和核心词；

①正向样本：不同用户问句输出同一个常见问题解答FAQ，被点满意，客服系统挖掘出新的同义词；如图1所示。

②正向样本：不同用户问句输出同一个常见问题解答FAQ，被点满意，客服系统挖掘出新的核心词，如图2所示。

这些知识能够沉淀下来，在未来遇到未知的用户问句，可以使用这种词关系、词重要度，进而理解用户问句并与常见问题解答FAQ匹配。

若采用机器学习方法。由于机器学习应用过程中，正负样本的收集是最难的工作之一，为了提高准确性，一般都是有经验者人工标注成本高。通过本方案相当用户来提供人工标注的训练样本，基本没有增加额外成本。机器学习方法一般采用分类的方法，给每个常见问题解答FAQ(常见问题解答)建立分类器。

<1>根据正向样本和负向样本提取出常见问题解答FAQ样本特征，对常见问题解答FAQ样本特征进行训练，建立常见问题解答FAQ样本的分类模型，如图3所示；

<2>根据未知用户问句，提取常见问题解答FAQ的特征，建立常见问题解答FAQ的特征分类模型，根据分类模型计算正向样本概率和负向样本概率如图4所示。

机器学习也有采用端对端的方式做训练，例如深度学习，只要有了正负样本，做法也是类似的。

(6)更新客服系统离线学习后的常见问题解答FAQ知识。

本发明提供的技术方案中提到的机器人客服交互形式；以及基于这种形式获得用户正负面反馈，进而优化客服问答效果的技术方案；本方案为了方便理解，客服系统采用即时通讯渠道的机器人客服，但是并不限制这种方案应用于电话客服、视频客服等其他渠道形式。电话客服只要加入电话按键行为；视频客服加入可视界面上的按钮，或者通过语音识别、手势识别等技术，一样可以得到用户交互反馈，进而优化客服效果。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (9)

1.一种客服系统的人机交互方法，其特征在于，所述方法借助用户反馈行为，不断迭代优化效果，通过用户反馈行为获得进一步优化效果所需要的正向样本和负向样本；正向样本让客服系统以后遇到类似的问句时知道正确答案，负向样本不能直接推断出常见问题解答FAQ对应用户问句时的正确答案，能够让客服系统不会再按照之前被用户否定过的答案来回答；所述方法包括下述步骤：

(1)用户提出问题，等待客服系统回答问题；

(2)在客服系统回复答案界面，增加代表用户满意和不满意反馈的按钮，邀请用户对回答是否满意进行反馈；

(3)用户点击满意和不满意的行为，反馈到客服系统的日志中，并与当次用户问句以及客服回答关联在一起；

(4)基于上述日志，生成客服回答的正向样本和负向样本；

(5)利用正向样本和负向样本开展离线学习；

(6)更新客服系统离线学习后的常见问题解答FAQ知识。

2.如权利要求1所述的人机交互方法，其特征在于，所述步骤(1)中，所述用户满意和不满意反馈的按钮用赞、踩文字代替，或用√、×符号代替，或用拇指向上、拇指向下手势代替。

3.如权利要求1所述的人机交互方法，其特征在于，所述步骤(4)中，所述正向样本指的是用户点击满意的问答，所述负向样本指的是用户点击不满意的问答。

4.如权利要求1所述的人机交互方法，其特征在于，所述步骤(5)中，离线学习方式包括信息检索方式和机器学习方式。

5.如权利要求4所述的人机交互方法，其特征在于，所述信息检索方式采用同义词、核心词提取信息的方式；所述信息检索方式包括下述情况：

①正向样本：不同用户问句输出同一个常见问题解答FAQ，被点满意，客服系统挖掘出新的同义词；

②正向样本：不同用户问句输出同一个常见问题解答FAQ，被点满意，客服系统挖掘出新的核心词。

6.如权利要求4所述的人机交互方法，其特征在于，所述机器学习方式采用分类方式，给每个常见问题解答FAQ建立分类器；所述机器学习方式包括下述情况：

<1>根据正向样本和负向样本提取出常见问题解答FAQ样本特征，对常见问题解答FAQ样本特征进行训练，建立常见问题解答FAQ样本的分类模型；

<2>根据未知用户问句，提取常见问题解答FAQ的特征，建立常见问题解答FAQ的特征分类模型，根据分类模型计算正向样本概率和负向样本概率。

7.如权利要求6所述的人机交互方法，其特征在于，机器学习方式中采用端对端的方式对常见问题解答FAQ样本特征进行训练。

8.如权利要求1所述的人机交互方法，其特征在于，所述客服系统包括即时通讯渠道的机器人客服，电话客服和视频客服形式。

9.如权利要求8所述的人机交互方法，其特征在于，所述电话客服采用加入电话按键行为方式实现，所述视频客服采用加入可视界面上的按钮，或通过语音识别技术和手势识别技术，得到用户交互反馈，进而优化客服效果。