电力行业智能客服关键技术设计与实现

广东电网有限责任公司客户服务中心 刘振华 康峰 苏立伟 谭火超 苏春明

传统电力客服会话正确复述次数较低，问题识别能力随之下降，设计电力智能客服实现技术。提取电力会话语义特征，分类识别各类语义；进行会话语义相似度计算，利用相似函数归一化处理语义相似度；纠正智能会话相似词汇，消除相似会话的识别误差。实验采用对比实验的方式，验证了电力智能客服实现技术的效果更佳。

随着互联网的发展，人们的生活方式不断受到影响，网络服务也已经成为现代人的主要服务模式，智能客服作为新时代下，网络的智能化产物，逐渐深入各个领域，在电力方向发展是研究者的新方向[1]。传统电力客服在识别问题方面较为复杂，正确复述次数较低，而造成这一现象的主要原因即为，传统电力客服对语义识别不清晰，相关语义分类不明确，相似度计算效果差等因素[2-3]。本文将就此，摒弃以上缺点，研究电力智能客服实现技术，首先，提取用户会话的语义特征，进行智能化识别；其次，计算用户会话中的语义相似度，保证智能客服对各个语义相似度进行精准地区分；最后，纠正会话中的相似度词汇，消除相似语句的识别误差(如图1所示）。根据以上方法，本文认为，可以满足用户需求，为提高电力用户的服务质量创造条件[4]。

图1 传统电力客服会话系统Fig.1 Traditional electric customer service conversation system

1 电力智能客服实现技术设计

1.1 提取电力会话语义特征

会话的语义特征，表示会话互动问答的类型。本文设计的智能客服重点在于：解决用户的电力问题，本文对会话语义特征结构进行提取，并作出说明。语义特征分类如表1所示。

表1 会话语义分类特征Tab.1 Conversational semantic classification characteristics

问题类由用户产生，用户进行信息咨询，答案类对应问题类，由智能客服问答系统提供，用于回答顾客问题，问题类主要分两种，一般问句和议价的问句。陈述类只是简单的观点陈述，因在信息咨询中，地位处于次要，所以不对其进行更深层的处理。陈述类目的多样，无明确问答关系，主要为情感或者观点的表述。反馈类对应称述类，由买卖双方在肯定或者否定对方情感或者观点产生，抑或者为虚拟词，无明显语义。祈使类于买卖双方请求或者要求对方产生某种动作时产生，招呼类产生于问答开始前相互致意或者问答结束时双方表示感谢，其他为噪声类，主要为软件自动答复类问题，或者严重偏离主题的对话内容。

由表1可知，本文设计的会话语义分类中，需要智能客服认可相关语义，进而识别、理解整个电力通话过程中的问题。本文设计的方法中，用户发送的问题，均会有一个相对应的答案，这个答案是通过智能客服对上下文的联系，得出相关答案。通过分类不同类型的会话语义特征，可以提高智能客服识别电力问题的能力，进而提高智能客服的识别能力[5]。

1.2 进行会话语义相似度计算

通过对会话语义的特征提取，基本可以提取出相似语义，进而计算会话中的语义相似度[6-7]。智能客服对语义有着不同的理解，需要对其下达一个短语指令，使其可以在不依赖其他词的情况下，了解用户提出的会话含义。因此在本文设计中，设计了智能客服训练部分，训练智能客服的词向量，如表2所示：

表2 智能客服训练的词向量Tab.2 Word vector of smart customer service training

如表2所示，根据此电力词向量的训练，基本可以得出电力语义相似度的词量，计算公式如下：

式（1）中，sigmoid（x）为语义相似度系数；e-x为相似词向量。基于此得出的函数关系如图2所示。

图2 电力词汇Sigmoid函数图像Fig.2 Image of Sigmoid function of power vocabulary

由图2可知，电力词汇Sigmoid函数图像可归一化到处理语义相似度，在[0.1-0.3]范围内，相似的语义判别效果较好。在[0.4-0.6]范围内，语义相似度的判定能力较弱。

1.3 纠正智能会话相似词汇

基于语义相似度计算，本文将纠正相似度词汇分为两部分。（1）相似电力文本预处理层，包括电力词汇的校正。集中的句子一般会成对出现，语义相近的词汇分别用Sentence L和Sentence S表示。为了减少相似词汇对智能客服的影响，本文通过分类校正方式，校正电力词汇结果。在纠正的电力词向量表中，每个词对应一个64维的电力词向量，通过电力词向量表，找到与其相对应的纠正答案[8]。（2）将电力词向量输入到智能客服的系统中，根据电力词汇的语义差异，将两个电力词汇合并，进而纠正相似度词汇，进一步提高电力智能客服的识别能力[9]。

2 实验

本次实验的数据集采用某电力公司提供的智能客服数据集，此数据集中共有5082对英文句子，分为相似语义与不相似语义两类，即为正负样本，正样本3902对，负样本1900对。此数据集是根据网络收集，包括电力热点话题，验证本文设计的智能客服正确复述效果。

2.1 实验过程

本文对电力智能客服的会话进行采样，采样得出样本30492对，其中正负样本数保持不变，按照6∶1的方式划分采样样本，分别提取出5082对英文句子，将这类句子列为测试集，并打乱顺序，剩余部分组成训练集，得出样本数据集的划分如表3所示。

表3 数据集划分表Tab.3 Data set partition table

如表3所示，将数据集划分为训练集与测试集，测试集即为本文的被测样本，训练集为训练样本。据此设置的实验参数如表4所示。

如表4所示，为本次实验的基本参数，实验指标包括实验环境、批次、实验轮次、词向量维度、激活函数、损失函数、优化器。根据此指标，设置相应函数，带入到实验中，得出结果如下[10]。

表4 实验基本参数Tab.4 Basic parameters of the experiment

2.2 实验结果

将5082个测试样本通过测试集，最终定位64位词向量，分为6轮次得到传统技术与本文设计技术的复述次数，结果如表5所示。

表5 两种技术复述次数结果Tab.5 Results of the number of repetitions of the two technologies

如表5所示，经过6轮次的实验，在两种智能客服的总复述次数相同的条件下，传统客服正确复述次数与总复述次数相差200-2000条，复述效果差，识别能力相应下降；而本文设计的智能客服正确复述次数与总复述次数相差仅在0-10条左右，复述效果更佳，识别能力较强，符合本文研究目的。

3 结语

近年来，网络的兴起，不仅带给人们新的音视频观感，并且带动智能化的发展，使智能化逐渐渗透进各个领域。由于传统客服识别效果不佳，导致客服行业与人们的矛盾增加。因此本文设计了电力智能客服实现技术，提取电力会话语义特征，对会话语义进行相似度计算，纠正了智能会话相似词汇，提高智能客服识别电力问题的能力。采用某电力公司提供的智能客服数据集进行对比分析，验证了本文设计的智能客服正确复述效果，为电力智能化发展创造价值。