鐵路智能客服關(guān)鍵技術(shù)研究

張志強(qiáng)，汪健雄，靳 超

（中國(guó)鐵道科學(xué)研究院集團(tuán)有限公司 電子計(jì)算技術(shù)研究所，北京 100081）

新一代客票系統(tǒng)承擔(dān)了鐵路12306互聯(lián)網(wǎng)售票、窗口售票、自動(dòng)售取票、電話訂票等多種渠道售票業(yè)務(wù)，目前，高峰日發(fā)售全國(guó)鐵路客票超1 200萬(wàn)張，尤其是互聯(lián)網(wǎng)/手機(jī)APP渠道占售票總量的比例最高約75%，已經(jīng)成為廣大人民群眾鐵路出行購(gòu)票的主要渠道。由于售票量劇增，鐵路客運(yùn)業(yè)務(wù)規(guī)則復(fù)雜，鐵路客票系統(tǒng)規(guī)模不斷擴(kuò)張，導(dǎo)致12306互聯(lián)網(wǎng)售票系統(tǒng)（簡(jiǎn)稱(chēng)：12306系統(tǒng)）網(wǎng)絡(luò)客服的需求量與日俱增，給鐵路客服人員增加了大量的工作。由于人工客服存在維護(hù)成本高、服務(wù)時(shí)間受限、培訓(xùn)成本高、線路忙、人為錯(cuò)誤不利于控制等問(wèn)題，急需采用技術(shù)手段解決人工客服存在的問(wèn)題。

中國(guó)鐵路近年來(lái)為提升客運(yùn)服務(wù)質(zhì)量，不斷引入智能技術(shù)，持續(xù)開(kāi)展智能客服語(yǔ)音平臺(tái)研究和建設(shè)。智能客服的發(fā)展是隨著人工智能及計(jì)算機(jī)硬件、軟件、網(wǎng)絡(luò)技術(shù)不斷發(fā)展而逐步推進(jìn)的，隨著智能客服機(jī)器人在各個(gè)領(lǐng)域的成功應(yīng)用，其價(jià)值已逐漸被社會(huì)所認(rèn)可。在經(jīng)歷了基于歷史、上下文理解概念、句子基于知識(shí)推理的簡(jiǎn)單自然語(yǔ)言處理和搭建模型讓機(jī)器學(xué)習(xí)推理等階段，利用深度學(xué)習(xí)搭建神經(jīng)網(wǎng)絡(luò)解決困擾著人們的模型學(xué)習(xí)復(fù)雜、模型維護(hù)復(fù)雜的問(wèn)題，還為語(yǔ)言交互、圖像識(shí)別、人臉識(shí)別等領(lǐng)域帶來(lái)了全新的突破。鐵路智能客服基于語(yǔ)義理解和語(yǔ)言處理技術(shù)，利用深度學(xué)習(xí)和多場(chǎng)景交互技術(shù)，形成用戶畫(huà)像，使其具備快速反饋及精準(zhǔn)推送能力，與人工座席協(xié)同工作。本文對(duì)鐵路智能客服的關(guān)鍵技術(shù)進(jìn)行探究，提出鐵路智能客服總體框架，構(gòu)建多渠道智能客服，為鐵路12306系統(tǒng)智能客服提供有力支撐。

1 鐵路智能客服設(shè)計(jì)

1.1 總體架構(gòu)

總體架構(gòu)設(shè)計(jì)是在保證安全的前提下引入“互聯(lián)網(wǎng)+”，構(gòu)建統(tǒng)一接入、統(tǒng)一轉(zhuǎn)辦、統(tǒng)一輸出、統(tǒng)一監(jiān)督、統(tǒng)一考核的智能客服體系，如圖1所示。

圖1 鐵路智能客服總體架構(gòu)圖

（1）多媒體受理

支持熱線電話、Web端、移動(dòng)終端、第三方即時(shí)通信平臺(tái)等多渠道的統(tǒng)一接入。

（2）業(yè)務(wù)層

包括咨詢(xún)、查詢(xún)、投訴、建議的受理、轉(zhuǎn)派、處理、評(píng)價(jià)和考核。

（3）應(yīng)用層

采用自助語(yǔ)音、文本智能問(wèn)答、人工、轉(zhuǎn)工單等方式對(duì)外提供服務(wù)。

（4）智能交互層

包括語(yǔ)音合成、語(yǔ)音識(shí)別，以及自然語(yǔ)言理解引擎等。

（5）支撐層

為前臺(tái)應(yīng)用提供支撐，包括渠道管理、會(huì)話管理、座席管理、工單管理、知識(shí)管理、流程管理、統(tǒng)計(jì)分析、系統(tǒng)管理、系統(tǒng)接口等模塊。

（6）數(shù)據(jù)層

包括基礎(chǔ)知識(shí)庫(kù)、領(lǐng)域知識(shí)庫(kù)、交互數(shù)據(jù)庫(kù)以及語(yǔ)言語(yǔ)義庫(kù)，文本數(shù)據(jù)庫(kù)可以通過(guò)轉(zhuǎn)換形成語(yǔ)音庫(kù)，是語(yǔ)音輸出的基礎(chǔ)。

圖2 業(yè)務(wù)處理流程圖

1.2 業(yè)務(wù)流程

用戶通過(guò)各種接入渠道輸入語(yǔ)音或者文本信息，通過(guò)交互平臺(tái)以語(yǔ)音導(dǎo)航、人工客服、智能問(wèn)答等方式進(jìn)行接待，根據(jù)咨詢(xún)的業(yè)務(wù)分類(lèi)（咨詢(xún)、查詢(xún)、投訴、建議）轉(zhuǎn)接到相關(guān)業(yè)務(wù)知識(shí)庫(kù)、相關(guān)業(yè)務(wù)部門(mén)人工座席等，根據(jù)具體情況，以語(yǔ)音、智能問(wèn)答的方式進(jìn)行實(shí)時(shí)回復(fù)，以工單的方式進(jìn)行延時(shí)回復(fù)。具體流程設(shè)計(jì)如圖2所示。用戶可以通過(guò)鐵路12306系統(tǒng)客服電話、12306系統(tǒng)APP語(yǔ)音交互或者其他語(yǔ)音輸入模塊向智能終端表達(dá)自己的需求，包括咨詢(xún)或者辦理各種業(yè)務(wù)，鐵路智能客服通過(guò)語(yǔ)音識(shí)別和語(yǔ)義理解后，與后臺(tái)的知識(shí)庫(kù)進(jìn)行對(duì)接，獲取用戶的關(guān)注信息后反饋給用戶。這樣的交互過(guò)程貼合用戶的使用習(xí)慣，方便快捷，可有效提升客服的準(zhǔn)確性和效率。

1.3 主要功能

（1）自然語(yǔ)言處理

通過(guò)實(shí)時(shí)捕獲座席和用戶對(duì)話，通過(guò)語(yǔ)音識(shí)別和語(yǔ)義去理解通話，具備處理自然語(yǔ)言中廣泛存在的各種各樣歧義性或多義性的能力，構(gòu)建座席的人工智能（AI）助理，協(xié)同作業(yè)，提高效率。

（2）知識(shí)庫(kù)管理

存儲(chǔ)、組織、管理各種互相聯(lián)系的知識(shí)片集合，包含覆蓋程度較為全面的常用業(yè)務(wù)詞匯和常用鏈接。

（3）最佳答案推薦

回答用戶提出的問(wèn)題時(shí)，采用場(chǎng)景式多輪會(huì)話交互模式，基于歷史、上下文理解概念和句子，基于知識(shí)推理增強(qiáng)泛化能力，最終提供最優(yōu)答案。

（4）在線留言與轉(zhuǎn)接

當(dāng)在線客服提供的結(jié)果無(wú)法解答用戶問(wèn)題時(shí)，允許用戶在線留言或轉(zhuǎn)接人工客服，解答用戶問(wèn)題。

（5）評(píng)估分析

將用戶多種信息內(nèi)容結(jié)構(gòu)化，打上各類(lèi)標(biāo)簽，并進(jìn)行深入的挖掘分析，形成用戶畫(huà)像進(jìn)行評(píng)估判斷，可自動(dòng)為每個(gè)用戶的服務(wù)與政策制定等提供數(shù)據(jù)與決策支持。

2 智能客服關(guān)鍵技術(shù)

2.1 語(yǔ)義理解與語(yǔ)言處理

語(yǔ)義理解類(lèi)似于人類(lèi)閱讀理解，當(dāng)語(yǔ)言符號(hào)出現(xiàn)時(shí)，人類(lèi)喚起大腦中語(yǔ)言符號(hào)所代表的含義，以此含義為代表去理解語(yǔ)言符號(hào)所代表的客觀事物。通常為了降低語(yǔ)義理解實(shí)現(xiàn)難度，可通過(guò)人工構(gòu)造數(shù)據(jù)集、應(yīng)答所需要的單詞、意境以及相應(yīng)的問(wèn)題回答，常見(jiàn)的任務(wù)形式包括人工合成問(wèn)答、Cloze-style queries和選擇題等方式[1]。

通過(guò)對(duì)鐵路12306系統(tǒng)客服語(yǔ)料（含網(wǎng)站、APP、語(yǔ)音渠道）進(jìn)行標(biāo)注和分析，總結(jié)客服交互式語(yǔ)句的特點(diǎn)及對(duì)話特點(diǎn)，并采用深度學(xué)習(xí)技術(shù)進(jìn)行12306系統(tǒng)客服領(lǐng)域的實(shí)體識(shí)別，提出針對(duì)12306系統(tǒng)客服環(huán)境的語(yǔ)義理解方案，解決旅客屬性混雜、口音眾多、口語(yǔ)表達(dá)不符合規(guī)范的語(yǔ)法導(dǎo)致的模糊性和二義性問(wèn)題

2.1.1 語(yǔ)義三角模型與語(yǔ)義網(wǎng)

語(yǔ)義三角關(guān)系定義了概念以及概念和概念之間的關(guān)系。這種定義使人與人之間、人與計(jì)算機(jī)之間能基于共享的概念進(jìn)行語(yǔ)言交流，讓機(jī)器通過(guò)理解人的認(rèn)知模型，建立機(jī)器理解人類(lèi)自然語(yǔ)言的框架模型，如圖3所示。

通過(guò)語(yǔ)義三角模型將事物根據(jù)屬性劃分歸類(lèi)成語(yǔ)義網(wǎng)。語(yǔ)義網(wǎng)又稱(chēng)本體，語(yǔ)義詞典，是共享概念模型的明確的形式化規(guī)范說(shuō)明。語(yǔ)義網(wǎng)定義了概念，以及概念和概念之間的關(guān)系，這種定義使得人和人之間，人和計(jì)算機(jī)之間能基于共享的概念進(jìn)行語(yǔ)言交流。語(yǔ)義網(wǎng)由類(lèi)（class）或概念（concepts）、關(guān)系（relations）、函數(shù)（functions)、公理（axioms）、實(shí)例（instances）組成。

圖3 三角模型

語(yǔ)義網(wǎng)分為領(lǐng)域語(yǔ)義網(wǎng)和通用語(yǔ)義網(wǎng)，用于分層分領(lǐng)域建模。通用語(yǔ)義網(wǎng)由來(lái)自互聯(lián)網(wǎng)積累的、商用多年以上被業(yè)界所共識(shí)的物體概念與狀態(tài)及其間的關(guān)系組成；領(lǐng)域語(yǔ)義網(wǎng)由各領(lǐng)域在生產(chǎn)中積累、加載的信息構(gòu)成。鐵路12306系統(tǒng)領(lǐng)域類(lèi)關(guān)系展示如圖4所示。

圖4 鐵路12306系統(tǒng)語(yǔ)義網(wǎng)分類(lèi)關(guān)系示例

2.1.2 智能語(yǔ)音交互

為使得智能客服像真人一樣有聽(tīng)說(shuō)能力，需要綜合語(yǔ)音合成、語(yǔ)音識(shí)別等智能技術(shù)[2]。語(yǔ)音識(shí)別技術(shù)是讓機(jī)器通過(guò)識(shí)別和理解過(guò)程將語(yǔ)音信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令，目的是將人類(lèi)語(yǔ)音中的詞匯內(nèi)容轉(zhuǎn)換為計(jì)算機(jī)可識(shí)讀的輸入，并可以識(shí)別語(yǔ)音內(nèi)容、說(shuō)話者、語(yǔ)種等信息，用于識(shí)別不同客戶語(yǔ)音所蘊(yùn)含的語(yǔ)義。語(yǔ)音合成可以將輸入的文字信息轉(zhuǎn)化為自然流暢的語(yǔ)音，替代人工為客戶提供標(biāo)準(zhǔn)化的語(yǔ)音應(yīng)答。鐵路人工客服采用智能語(yǔ)音交互服務(wù)，實(shí)現(xiàn)客戶語(yǔ)音的“可視化”，完成客戶咨詢(xún)問(wèn)題詞條及關(guān)鍵字的識(shí)別，輔助座席人員快速進(jìn)行相關(guān)知識(shí)庫(kù)、知識(shí)節(jié)點(diǎn)的搜索匹配，提高客戶座席人員的工作效率和服務(wù)能力。

2.1.3知識(shí)搜索排序

知識(shí)搜索是增強(qiáng)智能客服響應(yīng)問(wèn)題的即時(shí)性和準(zhǔn)確性的關(guān)鍵技術(shù)。采用“語(yǔ)義相似度”和“業(yè)務(wù)相似度”相結(jié)合的評(píng)分排序算法，滿足客戶對(duì)搜索排序的個(gè)性化要求，具體步驟如下：

（1）根據(jù)搜索內(nèi)容和知識(shí)本身的語(yǔ)義關(guān)系得到兩者的相似度，通過(guò)相似度排序得到智能搜索的雛形；

（2）根據(jù)知識(shí)搜索的點(diǎn)擊率、熱點(diǎn)知識(shí)得到問(wèn)題和知識(shí)之間相關(guān)度的指數(shù)，有效區(qū)別排序權(quán)重；

（3）劃分知識(shí)等級(jí)時(shí)，與銷(xiāo)售業(yè)務(wù)相關(guān)的權(quán)重比管理類(lèi)知識(shí)劃分的權(quán)重更高；（4）將過(guò)期知識(shí)的權(quán)重降低，提高知識(shí)有效性；（5）對(duì)個(gè)別知識(shí)的搜索權(quán)重可以通過(guò)規(guī)則來(lái)配置設(shè)定。

2.1.4 語(yǔ)音情感識(shí)別

在鐵路智能客服中引入語(yǔ)音情感識(shí)別，可根據(jù)用戶情感的變化提供更人性化的服務(wù)，有效提高鐵路智能客服的服務(wù)質(zhì)量，提升用戶滿意度。例如，當(dāng)語(yǔ)音情感識(shí)別程序檢測(cè)到當(dāng)前用戶存在不滿情緒時(shí)可及時(shí)轉(zhuǎn)接至人工服務(wù)。而當(dāng)話務(wù)員遭遇態(tài)度惡劣的客戶時(shí)，自身情緒容易發(fā)生波動(dòng)，系統(tǒng)可以提醒其保持冷靜。

情感識(shí)別本質(zhì)上是模式識(shí)別，核心在于尋找合適的識(shí)別模型[3]。目前，主要采用模式分類(lèi)方法，其中，人工神經(jīng)網(wǎng)絡(luò)、隱馬爾可夫模型、支持向量機(jī)等方法取得了較好的效果。

2.2 深度學(xué)習(xí)

2.2.1 深度學(xué)習(xí)模型

鐵路智能客服采用深度學(xué)習(xí)模型，可分為一維匹配模型、二維匹配模型、推理模型[4]，其中，一維匹配模型和二維匹配模型是基礎(chǔ)模型，推理模型則是在基礎(chǔ)模型上重點(diǎn)研究如何對(duì)內(nèi)容進(jìn)行推理。

（1）一維匹配模型

一維匹配模型的基本思路為：假設(shè)用戶問(wèn)題記為Q，而某段文本中存在某個(gè)單詞Di可能是問(wèn)題Q的答案的可能性記為F(Di，Q)，或者理解為語(yǔ)義和問(wèn)題Q整體語(yǔ)義的匹配程度，用點(diǎn)積表示為：

對(duì)每個(gè)單詞的匹配函數(shù)值通過(guò)歸一化指數(shù)函數(shù)進(jìn)行歸一化，該過(guò)程被稱(chēng)作為注意力（Attention）操作，用于增強(qiáng)單詞是該問(wèn)題答案的可能性。對(duì)于整個(gè)文本中某單詞多次出現(xiàn)的情況，其注意力操作結(jié)果不同，即該單詞在上下文中對(duì)應(yīng)答案的概率，最后將同一單詞的注意力概率值累加作為該單詞是問(wèn)題Q答案的可能性，問(wèn)題答案則被認(rèn)為是可能性值最大的單詞。多數(shù)主流模型基本都采用一維匹配模型結(jié)構(gòu)，主要區(qū)別主要是匹配函數(shù)的定義不同[5]。

（2）二維匹配模型

二維匹配模型與一維匹配模型不同的是：其采用問(wèn)題表示法進(jìn)行問(wèn)題表達(dá)。相較于一維匹配模型將問(wèn)題的語(yǔ)義表達(dá)為一個(gè)整體，二維匹配模型文本中的每個(gè)單詞都采用獨(dú)立的單詞表達(dá)（Word Embedding）向量表示。由于Word Embedding向量是每個(gè)單詞及其上下文語(yǔ)義的二維結(jié)構(gòu)，引入了更多細(xì)節(jié)信息，整體而言，二維匹配模型效果優(yōu)于一維匹配模型。

（3）推理模型

自然語(yǔ)言推理是判斷兩個(gè)句子（Premise,Hypothesis）或者兩個(gè)詞之間的語(yǔ)義關(guān)系。自然語(yǔ)言文本不能明確地定義并表達(dá)符號(hào)之間的邏輯關(guān)系，所以，自然語(yǔ)言表達(dá)有相當(dāng)大的模糊性，推理過(guò)程的實(shí)現(xiàn)難度較大。目前，主流的推理模型有AMRNN[6]、GA Reader[7]和 IA Reader[8]。

推理過(guò)程更適用于有一定難度的問(wèn)題，通常對(duì)于簡(jiǎn)單問(wèn)題沒(méi)有明顯作用。其推理作用效果與數(shù)據(jù)集難度相關(guān)聯(lián)，以常見(jiàn)的通用推理 數(shù)據(jù)集為例，Google采用的新聞?wù)Z料庫(kù)CNN數(shù)據(jù)集整體偏容易，因此無(wú)需復(fù)雜的推理步驟也能得到正確回答，而在Facebook采用的新聞?wù)Z料庫(kù)CBT數(shù)據(jù)集上，有推理過(guò)程的評(píng)價(jià)指標(biāo)比無(wú)推理過(guò)程評(píng)價(jià)指標(biāo)提高了2.5%～5%[9]。

2.2.2 自動(dòng)巡檢機(jī)制

（1）通過(guò)網(wǎng)頁(yè)爬蟲(chóng)、文檔錄入等數(shù)據(jù)預(yù)處理手段進(jìn)行碎片化加工后，形成專(zhuān)業(yè)領(lǐng)域的知識(shí)庫(kù)，對(duì)過(guò)期知識(shí)進(jìn)行下架或刪除處理；

（2）自動(dòng)對(duì)未識(shí)別的問(wèn)題集進(jìn)行非結(jié)構(gòu)化分析，形成主題類(lèi)別和優(yōu)化建議，便于采編人員對(duì)重點(diǎn)問(wèn)題進(jìn)行優(yōu)化。

2.2.3 自我調(diào)整

自我調(diào)整是采用場(chǎng)景式多輪會(huì)話交互模式支持圖形化配置對(duì)話的流程，采用寒暄等場(chǎng)景對(duì)用戶進(jìn)行甄別，從而不斷調(diào)整機(jī)器的對(duì)話方式，實(shí)現(xiàn)對(duì)用戶的逐步引導(dǎo)。

2.3 精準(zhǔn)營(yíng)銷(xiāo)

2.3.1 用戶畫(huà)像

通過(guò)與用戶的交流可以收集到用戶的基本信息，智能客服對(duì)這些信息進(jìn)行建模，抽象出用戶的標(biāo)簽，形成用戶畫(huà)像[10]。

（1）數(shù)據(jù)收集

主要收集網(wǎng)絡(luò)行為數(shù)據(jù)、用戶偏好數(shù)據(jù)、用戶交易數(shù)據(jù)等。

（2）建模

行為建模是對(duì)收集到的數(shù)據(jù)進(jìn)行處理，該階段注重的是大概率事件，通過(guò)算法模型盡可能排除用戶的偶然行為。

（3）成型

畫(huà)像成型是行為建模的深入，對(duì)收集數(shù)據(jù)進(jìn)行處理后對(duì)用戶進(jìn)行標(biāo)簽化，根據(jù)用戶的基本屬性（例如年齡、性別、地域等）、心理特征、興趣愛(ài)好等方面細(xì)化分類(lèi)。用戶畫(huà)像無(wú)法100%準(zhǔn)確描述一個(gè)人，只能盡可能準(zhǔn)確。因此，需要不斷收集數(shù)據(jù)、根據(jù)變化的基本數(shù)據(jù)不斷修正，才能使得用戶畫(huà)像越來(lái)越立體、越來(lái)越真實(shí)。

2.3.2 營(yíng)銷(xiāo)推送

當(dāng)用戶畫(huà)像成型后，使用大數(shù)據(jù)可視化分析，針對(duì)某個(gè)標(biāo)簽或是某個(gè)群體，細(xì)化出不同類(lèi)別的用戶，評(píng)估用戶的趨勢(shì)行為及價(jià)值空間，對(duì)接業(yè)務(wù)接口，推送最新資訊或公告，做出針對(duì)性的營(yíng)銷(xiāo)[11]。

3 結(jié)束語(yǔ)

基于鐵路智能客服關(guān)鍵技術(shù)的12306系統(tǒng)客服平臺(tái)已經(jīng)在中國(guó)鐵路上海局集團(tuán)有限公司試運(yùn)行，取得了良好效果，為鐵路企業(yè)與海量用戶之間建立了基于自然語(yǔ)言、快捷有效溝通的技術(shù)渠道，同時(shí)，為鐵路企業(yè)提供了細(xì)粒度知識(shí)管理技術(shù)和精細(xì)化管理所需的統(tǒng)計(jì)分析信息，有效解決了傳統(tǒng)人工服務(wù)維護(hù)成本高、服務(wù)時(shí)間受限、培訓(xùn)成本高、線路忙等諸多問(wèn)題，減少了人為錯(cuò)誤，規(guī)范了服務(wù)標(biāo)準(zhǔn)，達(dá)到了精準(zhǔn)營(yíng)銷(xiāo)和服務(wù)整合的目的，提高了鐵路12306系統(tǒng)客服接通率和滿意度，提升了鐵路用戶體驗(yàn)，樹(shù)立了鐵路良好社會(huì)形象。隨著科技進(jìn)步持續(xù)升級(jí)，將構(gòu)建多渠道全方位智能客服，為鐵路客服和出行旅客提供更便捷、更友好、更準(zhǔn)確的全流程解決方案。