论文部分内容阅读
近年来,随着互联网以及物流服务在全国范围内的快速普及,网络购物得到进一步的发展,越来越多的消费者选择在网络虚拟商城中进行购物。网络购物在为消费者带来便利的同时,对卖家的在线客服人员也提出了更高的要求,于是,如何及时响应客户咨询、减少客服人员对重复冗余问题的处理逐渐成为困扰客服人员的焦点问题。因此,一种针对交互式智能客服对话系统的研究渐渐变成一个新的热门课题,其可以自动或半自动地协助在线客服人员回答客户提出的问题,提高工作质量和工作效率。目前,在线客服的工作主要是处理客户对商品的信息咨询和议价请求。本课题则致力于如何让智能客服对话系统高效地回答客户议价请求的研究,提出并实现了议价请求的识别方法和相应的议价回复策略。针对客户议价请求的识别,本课题基于词语级特征,语句关系特征,特征词词典特征等三方面对买家对话进行分析,并采用CRF、SVM和朴素贝叶斯三种机器学习算法分别训练议价识别模型。通过多组实验的对比,CRF模型的整体性能较为突出,具有较高的F值,达到75.74%。此外,CRF模型的准确率最高为89.23%。从实验结果可以得出,本课题构建的议价识别模型能够识别出大部分真实环境下的议价请求,已经能够很好地满足智能客服系统的需求,同时也为本课题后面议价策略的实现奠定了基础。通过对真实环境的客服对话数据进行分析整理,本文归纳出5种常见的议价目的和7种议价手段。通过对议价目的和议价手段的识别,系统能够准确地反映出买家的议价意图,然后结合不同议价目的的惩罚系数、不同议价手段的贡献值、对话进行的轮次以及其他影响因素,迭代计算出当前买家的议价权重。当该议价权值达到特定阈值且卖家预设Baseline允许的条件下,系统最终将接受买家的议价请求。该议价策略以半自动的形式为客服人员提供多个候选答案,并根据客服人员对答案的选择,不断优化相关参数,逐渐达到较为满意的效果,为客服人员提供智能并高效的帮助,进而提高工作效率和订单转化率。