天津移动知识图谱驱动的智能应答机器人系统
2020-12-31赵东明
赵东明,石 理,田 雷,吴 娜
(中国移动通信集团天津有限公司 人工智能实验室 天津300020)
1 建设背景
1.1 通信运营商提升客户服务的需要
随着中国移动业务复杂度的不断提升,在应对营业厅、渠道等一线人员的服务请求时,会遇见各种各样的系统问题,如故障、异常、投诉或疑难解释,传统的热线服务模式存在服务效率瓶颈,面对口语化且多样性极强的问题,难以面面俱到,急需引入“自服务,预服务,精准服务”的新理念,以知识图谱技术驱动智能应答、投诉工单等服务系统进行快速响应,优化营业感知,提升内部满意度。
1.2 解决倒三角服务支撑实际困难的需要
传统的业务(运维)知识库往往聚焦知识内容的整理,而对知识之间的逻辑关注较少,由于无法清晰表达知识之间的关系,传统的关键词、相关性分析等检索方式效率低,知识点独立且分散,机器人应答不智能。在运维服务工作中,需要将海量的中国移动业务支撑网运营管理系统(BOMC)工单、在线客服记录、业务需求文本进行语义、逻辑识别,抽取出实体(业务、故障、异常、需求等)之间的关系,在智能服务领域实现语义搜索、智能问答、可视化业务知识搜索,提升运维质量。
2 知识图谱框架
2.1 知识图谱总体架构
知识图谱系统的构建目标,是旨在描述各种与运维相关的实体和概念之间的关联关系(图 1)。知识图谱最常用的语义关系为“实体-关系-实体”与“实体-属性-属性值”[1]。中国移动的客户服务领域存在各种复杂异常、故障、事件,知识图谱是描述其内在联系的最佳载体。知识图谱是将知识实体之间的关系和逻辑进行图形化展示的语义网络,作为服务中台核心组件,为客户服务域的知识库输出逻辑搜索能力,为智能机器人输出智慧应答能力,为工单处理输出自动回复能力。为客户关系管理/业务运营支撑系统(CRM/BOSS)等营业前端提供业务/服务/数据/事件之间复杂关系的结构化输出,串联运营与运维,为中国移动业务、服务、营销、运维等全量场景提供图谱化的实体逻辑支撑,驱动业务服务一体化,服务支撑智能化,海量数据处理自动化[2]。
图1 知识图谱系统架构Fig.1 Knowledge graph system architecture
2.2 知识图谱能力输出
知识图谱是以 AI中台为形态的能力集,对接数据源进行基础数据获取并训练,对接智能应答机器人和智能知识库进行能力输出,对接前端业务系统进行界面灵活嵌套,实现高度收敛又灵活调用的 IT架构。核心引擎(AI中台形态)具有强大的语义分析、意图识别、上下文推理、槽位提取、多媒体智能交互的能力。针对不同场景进行了专项模型构建,如任务型多轮对话、问答解释、日常聊天等,为内部用户提供精准又便捷的智能服务,其中纳入多种 AI技术形成混合模型,来驱动机器人精准理解用户问题。通过相关性分析引擎、多轮对话引擎、图谱引擎等模型的混合运用,实现不同场景下服务诉求的全覆盖,通过知识图谱实现基于历史记录的预测服务,通过单轮对话QA问答引擎实现常见问题模糊建设,通过多轮对话引擎(槽位填充)实现服务任务自服务,通过运维知识图谱实现海量投诉工单的语义提取和信息汇总,从而支撑复杂疑难问题的回复,辅以历史投诉工单和新需求上线的相关辅助推荐,确保问题能得到合理反馈,机器人服务感知良好。
3 知识图谱构建
针对中国移动内部运维场景,提出运维知识图谱系统的构建方法,遵循自底向上的构建逻辑,通过从业务数据域、基础数据域、应用渠道域等获取海量非结构化数据,进行数据清洗和语义分析,并辅以原子化知识库中的固有内容,以无监督/有监督两种模式自动构建面向移动业务服务的知识图谱;针对运营商复杂的投诉和异常场景提出针对性解决方案,包括聚类向分类转变解决源数据的信息不足问题、构建知识图谱的关系权重体系,实现精细化展示推荐、通过混合匹配模型提高长尾问题的分类精度等,实现了业界首创的专业知识图谱系统,对业务和服务前端渠道提供知识检索及知识推荐,使知识库、智能应答、工单处理等领域提升效能。
构建知识图谱的主要步骤分为:模式设计、数据清洗、实体识别、关系识别以及知识融合。知识图谱的构建过程是一个整体,模式设计决定了知识图谱抽取文本中语义的关键节点,将文本信息转化为知识图谱模式中的实体节点,是知识图谱自动构建的基础框架;数据清洗是确保海量文本中过滤异常短语,确保文本在 AI中顺利完成构建的准备过程;知识图谱的组织方式是“实体-关系-实体”,在运维图谱中,实体代表对故障的描述、故障原因和解决方案,通过海量工单文本中提取实体信息,自动进行聚类,可以生成图谱中全量实体节点,进而在下一次客户服务时进行图谱检索自动推送答案;关系识别,是将实体之间的潜在关系进行挖掘的过程,必须先提取到实体再提取关系,确保不同类型实体在进行知识答案生成时上下文逻辑正确(图 2)。知识融合,是确保同一类问题不同表述情况下的层次聚类过程,避免相同答案被作为不同实体进行推送,提升感知。
图2 运维知识图谱构建过程Fig.2 Construction process of operation and maintenance knowledge graph
4 知识图谱在智能应答场景的应用
4.1 语义搜索及可视化
知识图谱是语义搜索的大脑,传统搜索引擎基于用户输入的关键词,检索后台数据库中的知识,将包含搜索关键词的知识链接反馈给用户。语义搜索则首先将用户输入的关键词映射至知识图谱中的一个实体或概念,然后根据知识图谱中的概念层次结构进行解析和推理,向用户反馈丰富的相关知识,精准且高效。
4.2 智能机器人问答
知识图谱赋予机器人语言理解能力,通过对用户问题进行分词、长句理解、语义解析,提取关键语义并与知识图谱模板匹配,获取到图谱实体或属性内容,在图数据库查询并完成消息整合后,以机器人形式与用户进行服务应答,通过知识图谱丰富的逻辑关系能力提升机器人智能感知。
4.3 投诉工单自处理
知识图谱赋予投诉工单智能处理能力,通过对工单内容进行实体提取和语义理解,获取到图谱实体或属性内容,将多个解决方案合并后形成处理意见,自动推送到工单处理人待办,提供工单回复建议模板,实现投诉工单的自动分析、自动处理、自动回复。
4.4 个性化推荐
知识图谱提供基于语义网络的智能推荐能力,根据客户在知识图谱中的查询历史记录,以及行业知识图谱的丰富知识,快速挖掘客户潜在服务诉求,实现精准服务内容推荐。例如,基于故障间的关联信息构建知识语义网络,当用户输入故障现象并寻求解决方案时,基于知识图谱向用户做类似问题处理结果、咨询建议、业务管理规定等相关个性化内容的推荐。例如向用户推荐“你还可能感兴趣的有” “猜您喜欢”或者是“其他人还在搜”等内容。
5 结 语
通过开发一套面向中国移动客户服务的知识图谱智能应答系统,持续增强针对业务一线的服务能力,提升运维服务效率,为此需要打造一体化的知识图谱运营管理体系,以自然语言理解、认知概念网络等技术为核心,融合人脸识别、语音转写、知识图谱、推荐算法等技术,重点提升多媒体交互和智慧运营能力,以热线服务、在线服务、工单协同、人脸/语音识别、智能知识库等方式,受理领域内部用户的故障处理、异常查询、业务咨询、投诉申告等诉求,提升内部用户的服务感知。