一种自助式客户服务系统及方法与流程

本发明属于计算机技术领域，具体涉及一种自助式客户服务系统及方法。

背景技术：

现有的机器人常采用计算机对客服场景中的用户提问进行判断，并提供相应的回答从而减少客服场景中的人工坐席参与，其目的在于减少客服中的人工成本。目前的机器人客服大多对用户的每一个问句都进行一个相应的回答，而这个回答的内容一般为预设好的标准回答。这些标准回答是针对faq(frequentlyaskedquestions，经常问到的问题)设计的。例如，一个典型的机器人客服问答场景中，问：你好。答：在。问：我想问一下白条相关的问题。答：金融在线客服点击这里咨询，金融客服电话(企业业务4000888816，个人业务95118，工作时间9:00-22:00)，您也可点击这里了解更多白条信息。问：白条怎么用啊？答：请点击您想咨询的问题：1、什么是白条；2、如何使用白条支付；3、如何查询京东白条；4、商品金额大于白条额度。

以上这种faq式的机器人客服，对于同一类型的问题，用户的问法通常是口语化的，问法千变万化。机器人将这些口语化的问题，识别归纳到一个标准问题中去，再根据这个标准问题，给出标准化的答案。目前机器人的答案多是“指引式”的，即机器人的回答并没有直接回答用户的问题，而是告诉用户去哪里寻找答案。例如，在电商的场景下，用户问“我的订单发货了没有？”，机器人的回答常常会是“订单状态在‘我的订单’中查看，请先点击‘订单’tab，再点击‘历史订单’”之类的指引，而不是用户期望的“你昨天买的书《智能时代》昨天已发货了，当前在南山科技园分发”这种真正的答案。

机器人识别用户问题意图后，会给出标准的、指引式的机械答案，这种方式有如下缺点：1)机器人客服没有直接回答用户的问题，用户需要根据其提供的指引进行操作，操作链条变长，用户体验变差。尤其是若用户真是因为不懂而使用企业提供的app、网页等工具，那操作本身对用户来说可能就是不友好的，有了指引并不能改进这种体验。2)有些场合下这种标准答案并没能解决用户的问题，用户缺少的不是指引，而是想知道服务是否正常，若不正常，原因是什么。例如用户问“我的订单发货了没有？”，也许他并不是不会查订单状态，而是查了订单状态后，发现显示未发货，所以转到客服来核实订单状态，若没有发货，又是什么原因造成的。3)若机器人的标准答案回答不了用户的问题，用户最终会求助于其他人工服务渠道。这时，对用户而言，机器人客服并没有起作用，相比传统的方式，还多一个环节，用户体验变差；对企业而言，部署的机器人客服没有起作用，问题拦截率(即机器人客服解决问题量/用户问题总量)变低，投资在机器人上获得的回报减少。

技术实现要素：

为了解决现有技术存在的上述问题，本发明提供了一种自助式客户服务系统及方法。

为实现上述目的，本发明采取以下技术方案：一种自助式客户服务系统包括客服接入平台、客服机器人、综合策略模块和业务系统；所述客服接入平台接收用户问题并将用户问题发送给所述客服机器人；所述客服机器人对用户问题的复杂度进行判断，对于复杂度低的用户问题，所述客服机器人直接将预置的相应答案反馈给所述客服接入平台，对于复杂度高的用户问题，所述客服机器人根据用户问题识别用户意图，并将用户意图发送给所述综合策略模块；所述综合策略模块根据用户意图向所述业务系统请求用户相关信息，并根据用户相关信息进行综合裁决，得到与用户问题对应的答案，并将答案通过所述客服机器人反馈给所述客服接入平台。

进一步地，所述业务系统包括crm系统、erp系统、工单系统、oa系统和知识库管理系统。

更进一步地，用户相关信息包括所述crm系统反馈的用户历史购买产品和服务情况的信息、当前购买信息和服务状态信息，所述erp系统反馈的企业当前能够提供的产品和服务信息，所述工单系统反馈的用户历史咨询记录信息，所述知识库管理系统反馈的客服资源管理数据。

进一步地，所述客服机器人包括语义搜索模块、深度学习模块和融合模块；所述语义搜索模块对用户问题进行语义搜索，并将搜索结果以特征的形式输入所述融合模块中；所述深度学习模块采用深度学习语言模型捕捉语义信息，采用深度学习rnn神经网络模型将用户问题映射到每个faq上，以概率分布形式输出用户意图，并将深度学习结果以特征的形式输入所述融合模块中；所述融合模块采用决策树将搜索以及深度学习的特征进行融合，得到置信度，并将置信度高的意图作为与用户问题相对应的用户意图。

更进一步地，所述语义搜索模块搜索的特征包括语言模型n-gram、专词归一化、同义词与词权重和word2vec。

进一步地，所述综合策略模块中设置有会话接入层、规则配置层、规则控制层、业务适配层和知识库；所述会话接入层用于接收用户的原始问句及其对应的用户意图；所述规则配置层用于配置业务分支和逻辑；所述业务适配层用于与所述业务系统进行信息交互，所述业务适配层调用接口并将返回值格式化为所述规则控制层需要的接口；所述知识库用于维护用户意图及其对应的答案；所述规则控制层根据用户的原始问句及其对应的用户意图、配置的业务分支和逻辑以及通过所述业务适配层从所述知识库获取的相关数据，得到与用户意图相对应的答案。

更进一步地，所述知识库用于以历史用户意图出现的频率为索引、以问答方式存储客服资源数据。

一种自助式客户服务方法包括以下步骤：

以历史用户意图出现的频率为索引、以问答方式存储客服资源数据；

获取用户输入的问题；

对用户输入的问题的复杂度进行判断，如果用户问题的复杂度低，则直接将预置的与用户问题对应的答案反馈给用户；否则，根据用户输入的问题识别出用户意图；

配置业务分支和逻辑，并获取业务数据；

根据用户意图、业务分支和逻辑以及业务数据在对应的客服资源数据中查找与用户输入的问题相匹配的答案，并将答案反馈给用户。

进一步地，所述步骤根据用户输入的问题识别出用户意图的具体过程为：

对用户问题进行语义搜索，并将搜索结果以特征的形式输入融合层；

采用深度学习语言模型捕捉语义信息；采用深度学习rnn神经网络模型将用户的问题一步到位映射到每个faq上，以概率分布形式输出用户意图；并将深度学习结果以特征的形式输入融合层；

采用决策树将搜索以及深度学习的特征进行融合，得到置信度，并将置信度高的意图作为与用户的问题相对应的用户意图。

进一步地，所述用户输入的问题采用文字、图片或语音的形式。

由于采取以上技术方案，本发明具有以下优点：本发明采用人工智能技术识别用户意图，根据用户意图、业务分支和逻辑、业务数据以及客服资源数据进行综合判断，得到与用户意图对应的答案；本发明能够为用户提供个性化的、真正解决用户问题的直接答案，能够识别并处理用户更深层次的问题，为用户提供更为准确、更丰富的答案；还能够提升客服机器人的问题拦截率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中提供的一种自助式客户服务系统的结构框图；

图2是本发明另一实施例中提供的一种自助式客户服务系统中综合策略模块的结构框图；

图3是本发明一实施例中提供的一种自助式客户服务系统中用户意图识别的流程图。

图中：1-客服接入平台；2-客服机器人；3-综合策略模块；31-会话接入层；32-规则配置层；33-规则控制层；34-业务适配层；35-知识库；4-业务系统。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

如图1所示，本发明提供了一种自助式客户服务系统，其包括客服接入平台1、客服机器人2、综合策略模块3和业务系统4。客服接入平台1包括web、微信、app和电话等。客服接入平台1接收用户问题并将用户问题发送给客服机器人2。客服机器人2对用户问题的复杂度进行判断，对于复杂度低的用户问题，客服机器人2直接将预置的相应答案反馈给客服接入平台1；对于复杂度高的用户问题，客服机器人2根据用户问题识别用户意图，并将用户意图发送给综合策略模块3。综合策略模块3根据用户意图向业务系统4请求用户相关信息，并根据用户相关信息进行综合裁决，得到与用户问题对应的答案，然后将答案通过客服机器人2反馈给客服接入平台1。

业务系统4包括crm(customerrelationshipmanagement，客户关系管理)系统、erp(enterpriseresourceplanning，企业信息管理)系统、工单系统、oa(officeautomation，办公自动化)系统和知识库管理系统等。业务系统4并不限制于以上系统，可以根据用户的实际需求提供更多系统模块。如果用户对产品或者服务有异议，可以配合仲裁中心判断是否有异常。

用户相关信息包括crm系统反馈的用户历史购买产品和服务情况的信息、当前购买信息和服务状态信息等，erp系统反馈的企业当前能够提供的产品和服务信息等，工单系统反馈的用户历史咨询记录信息，知识库管理系统反馈的客服资源管理数据。

本发明自助式客户服务系统中的业务系统4并不限制所需要访问的系统，可根据具体用户需求访问或者实现更多系统模块，如用户对产品或者服务有异议，可以配合仲裁中心去判断是否有异常。

上述实施例中，客服机器人2根据用户的问题采用搜索与深度学习相融合的方式识别用户的意图，客服机器人2包括语义搜索模块、深度学习模块和融合模块。其中，语义搜索模块对用户问题进行语义搜索，并将搜索结果以特征的形式输入融合模块中。深度学习模块采用深度学习语言模型捕捉语义信息，采用深度学习rnn神经网络模型将用户问题一步到位映射到每个faq上，以概率分布形式输出用户意图，并将深度学习结果以特征的形式输入融合模块中。融合模块采用决策树将搜索以及深度学习的特征进行融合，得到置信度，并将置信度高的意图作为与用户的问题相对应的用户意图。其中，置信度表征用户问题与faq表示的意图之间的相似程度。设置置信度阈值，得到的置信度大于置信度阈值则为高置信度，否则为低置信度。

进一步地，语义搜索模块搜索的特征包括语言模型n-gram、专词归一化、同义词与词权重和word2vec等。

例如，用户通过客服接入平台1向客服机器人2提问：“我点了一个外卖，5个人有三个人出现食物中毒情况，联系商家不承认。”，客服机器人2采用搜索与深度学习相融合的方式将用户的意图识别为：投诉商家食品不安全。

如图2所示，综合策略模块3根据用户的意图生成与用户问题对应的答案，其中，综合策略模块3中设置有会话接入层31、规则配置层32、规则控制层33、业务适配层34和知识库35。会话接入层31用于接收用户的原始问句及其对应的用户意图。规则配置层32用于配置业务分支和逻辑。业务适配层34用于与业务系统4进行信息交互，业务适配层34调用合适的接口并将返回值格式化为规则控制层33需要的接口。知识库35用于维护用户意图及其对应的答案。规则控制层33根据用户的原始问句及其对应的用户意图、配置的业务分支和逻辑以及通过业务适配层34从知识库35获取的相关数据，得到与用户意图相对应的答案。

进一步地，知识库35用于以历史用户意图出现的频率为索引、以问答方式存储客服资源数据。具体地，历史用户意图按照出现的频率从高到低的顺序存储在知识库35中。客服资源数据以历史用户意图出现的频率为索引，便于根据用户意图快速查找到对应的客服资源数据。

客服机器人2先对用户问题的复杂度进行判断，对于复杂度低的用户问题，客服机器人2直接将对应的答案反馈与给用户；对于复杂度高的用户问题，客服机器人2先根据用户问题识别出用户意图，再通过会话接入层31将用户意图输入到规则控制层33，规则控制层33根据用户意图将对应的答案通过客服机器人2反馈给用户。

对于复杂度低的用户问题，例如，用户：“你好”，客服机器人2只需要将预先配置好的答案“您好，有什么可以帮助您的？”反馈给用户即可。

对于复杂度高的用户问题，规则控制层33需要根据接收到的数据和用户意图进行一步步的判断后再反馈答案。例如，用户：“我的订单怎么还没有退款？”，规则控制层33需要判断用户最近是否有发起售后的订单？该订单是否已进入处理阶段？是否已上门收货？商家是否已收到退回的货物并检查完毕？商家是否已完成退款？规则控制层33根据判断结果得到相应的答案。

例如，用户通过客服接入平台1向客服机器人2提问：“我上周买的东西怎么还没有送到？”，客服机器人2采用搜索与深度学习相融合的方式将用户的意图识别为：查询物流状态。

客服机器人2将识别的用户意图发送至会话接入层31，规则控制层33通过业务适配层34从crm系统中获取用户历史购买产品和服务的信息。从工单系统中获取用户历史咨询记录信息，从内部订单系统中获取用户指定时间购买的商品及其订单，规则控制层33根据获取的信息逐条判断每笔订单的状态。如果有多笔订单未完成，则生成图文答案，让用户确认是哪一笔订单有问题。根据订单状态不同，生成不同回复与操作。如果订单显示已收货，则提供与“订单已收货但用户未收到货”相对对应的答案。如果订单未发货，则通过业务适配层34向商家系统发起催发货，并生成“已催发货”相关的答案。如果用户之前已就同样的问题催过，则将客服接入平台1转接入即时通讯人工客服终端，通过人工来协助商家、用户作三方协商处理。

本发明还提供了一种自助式客户服务方法，其包括以下步骤：

s1、以历史用户意图出现的频率为索引、以问答方式存储客服资源数据。

s2、获取用户输入的问题，用户输入问题时可以采用文字、图片或语音的形式。

s3、对用户输入的问题的复杂度进行判断，如果用户问题的复杂度低，则直接将预置的与用户问题对应的答案反馈给用户；否则，根据用户输入的问题识别出用户意图。其中，根据用户问题含有的信息量对用户问题的复杂度进行判断。例如，用户：“你好”，该用户问题含有的信息量只是简单的打招呼，其复杂度低。

如图3所示，根据用户问题采用搜索与深度学习相融合的方式识别用户意图的具体过程为：

1)对用户问题进行语义搜索，并将搜索结果以特征的形式输入融合层；其中，搜索的特征包括语言模型n-gram、专词归一化、同义词与词权重和word2vec。

n-gram属于传统统计语言模型，其主要利用句子中二元、三元的词语组合捕捉口语化表达中比较关键的语意信息。

客服机器人2与用户交互的过程产生的问题中存在大量与用户个人信息相关的信息，利用专词归一化可以将人名、地址、电话、金额等信息统一到同一维度，减少无效信息干扰。

同义词与词权重：同义词与词权重是搜索中比较重要的一部分，通过对问题中词语进行同义扩展，对用户问题中非重要的词语进行删减，获得用户问题的相似表达式，并将该相似表达式用于意图的识别，提高意图识别的准确性。

利用word2vec从空间距离的角度计算词语之间的相似度，捕捉弱同义信息。

2)采用深度学习语言模型捕捉语义信息；采用深度学习rnn神经网络模型将用户的问题一步到位映射到每个faq上，以概率分布形式输出用户意图；并将深度学习结果以特征的形式输入融合层。

3)采用决策树将搜索以及深度学习的特征进行融合，得到置信度，并将置信度高的意图作为与用户的问题相对应的用户意图。其中，置信度表征用户输入与faq表示的意图之间的相似程度。

s4、配置业务分支和逻辑，并获取业务数据。

s5、根据用户意图、业务分支和逻辑以及业务数据在对应的客服资源数据中查找与用户输入的问题相匹配的答案，并将答案反馈给用户。

本发明能够为用户提供个性化的、真正解决用户问题的直接答案，从而提升用户体验。本发明能够识别并处理用户更深层次的问题，为用户提供更为准确、更丰富的答案。本发明还能够提升客服机器人2的问题拦截率。

本发明采用人工智能技术识别用户意图，根据用户意图、业务分支和逻辑、业务数据以及客服资源数据进行综合判断，得到与用户意图对应的答案，本发明，可以应用到各行业中用于提升客户服务质量。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。