解读：美团智能客服实践

Posted 2022-12-10 小爷毛毛（卓寿杰）

1. 智能机器人 — 多轮对话

我们可以看到，其多轮对话分为问题理解、对话管理、对话引导以及答案生成。其中答案生成其实是预先配置好的。

1.1 问题(意图)理解

通常再意图理解上，会用分类模型。但是美团业务比较复杂，可能会经常新增意图，所以作者这里采用了QQ（用户query-相似问）匹配模型的方案：

模型经过不断优化，最终方案是用预训练的roberta（而且能进行在线学习），对不同业务域进行多任务学习。特征上，还是加入了相似问所对应意图文本以及答案文本。

1.2 Task内调度

预测到了一个意图，意图内部的对话管理，都是有Task-flow人工配置的：

这失去了对话管理的泛化能力，但是业务同学可以方便自主随时进行配置。这样就将算法工作和业务逻辑进行了解耦。百度的智能对话平台UNIT， 阿里云的对话工厂都是这样的解决方案。

算法在这里的工作又简化成了语义匹配的任务：

上图的3个不同选项，对应着Taskflow中某节点的3个不同的下游分支。有模型语义匹配判断走哪个分支。

1.3 Task间调度——多轮对话引导

会话中用户通常会咨询多个问题。如何进行Task间的调度？作者利用了itemCF进行建立事件图谱：

其实这也可以用序列预测类模型来实现。
说是对话管理，其实产品形态上更加像是“关联问题推荐”：

1.4 多轮对话——意图澄清

在进行意图理解之前，需要先明确业务域。比如说，用户说“我要退款”，这可能是“外卖”业务，也可能是“团购”业务。不同的业务对应的回答是不同的。
作者的方案是先通过领域分类模型（一级模型）识别。不明确时，就会利用排序模型（二级模型）提供业务列表，让用户自行选择来澄清：

同样的，虽然说是对话管理，但产品形态就像是“业务领域推荐”，==| ：

1.5 问题推荐

进入服务门户时（即还没说话），推荐用户最可能想问的问题， 引导用户精准表达需求：

作者这里采用了ESSM多任务排序模型，来建模CT（点击）-CVR（解决）模型：

1.6 答案供给

我理解，上述的一些功能是针对平台客服的。但是对于用户对于一些商家的咨询，特别是商家没有IM客服资源的场景下，如何满足用户咨询的诉求呢？这里作者介绍的比较粗略，但我理解，如果想做好应该是一项大工程。

• 图谱问答
  基于商家的基础信息，建设知识图谱，进行图谱问答：
  
• 社区问答
  基于“问大家”的社区数据，进行问答。这部分的技术方案应该和1.1节的问题(意图)理解是一样的：
  
• 机器阅读理解
  对于政策、活动文章，利用机器阅读理解来进行回答：
  

2. 人工辅助

2.1 话术推荐

减轻坐席/商家在与用户沟通过程中，重复性话术输入的费力程度。
通过记忆每个坐席及其技能组、商户及其同品类商家的历史聊天话术，根据当前输入及上下文，预测接下来可能的回复话术，供坐席选择。 推荐时机：
①用户发来消息
②坐席自己发送了一条消息

这块美团做的还是比较粗，直接从对话日志里面挖回复。在业界其实会做更精细的知识库、优秀话术库等，作为物料进行推荐。

2.2 会话摘要

客服结束一通咨询后，需进行背景、诉求、处理结果的填写。智能的会话摘要，可以提升客服坐席工作效率，改善其办公体验。作者的方案进行了如下的演进：

效果如下：


我理解，在这个业务场景下，其实用抽取式摘要是不太合理的。抽取式摘要适用于新闻摘要的场景，但是对话摘要的摘要和原文的文本表达方式是大相径庭的。还有相比单纯的文本摘要，对话摘要更加合适结合半结构化模板来做。因为客服咨询对话核心要点是固定的，如：背景、诉求、处理结果等。而且，这样的摘要更适用于客服后续跟进时进行查阅。

3. 小结

上述介绍的功能在美团已经平台产品化了——搞了个对话平台“摩西”。大图如下：