经由聊天机器人促进关于产品支持问题的故障排除对话制造技术

本公开涉及经由聊天机器人促进关于产品支持问题的故障排除对话。本文中所描述的实施例大体上涉及分类模型的训练及其通过聊天机器人来标识客户指定的产品支持问题并且提供合适的故障排除指导的用途。根据一个示例，经由聊天机器人接收描述与供应商的产品线相关联的问题的文本。问题的矢量表示通过使用与产品线相对应的词关联模型来创建，并且基于与针对产品线的多个所支持的问题类别有关的历史支持案例集合进行训练。通过将分类模型应用于矢量表示，来确定问题是否与针对产品线的所支持的问题类别内的类别相匹配。当这一确定是肯定性的时，经由聊天机器人的与用户的自动化交互式会话式故障排除对话被启动并且基于产品线内的类别的决策树来指导。线内的类别的决策树来指导。线内的类别的决策树来指导。

【技术实现步骤摘要】
经由聊天机器人促进关于产品支持问题的故障排除对话

技术介绍

[0001]聊天机器人是一种可以通常经由文本或话音与之通信的程序。聊天机器人可以使用人工智能(AI)和自然语言处理(NLP)来了解人类需求并且提供交互式指导。技术和机器学习的最新发展让聊天机器人在解释自然语言方面具有更强大的能力，既可以更好地理解，又可以随着时间的推移学习。
附图说明
[0002]在附图的各个图中，通过示例的方式而非限制的方式对本文所描述的实施例进行了说明，在附图中，相似的附图标记指代相似的元件。
[0003]图1示出了概念性地图示根据示例实施例的聊天机器人环境内的高级交互的框图。
[0004]图2示出了图示根据示例实施例的工作流程和集成的框图。
[0005]图3示出了图示根据示例实施例的架构的框图。
[0006]图4示出了图示根据示例实施例的监督学习处理的流程图。
[0007]图5示出了图示根据示例实施例的分类模型的实时应用的流程图。
[0008]图6示出了图示根据示例实施例的周期性分类模型和解决工作流程评价的流程图。
[0009]图7示出了根据示例实施例的计算机系统的框图。
[0010]图8示出了根据另一示例实施例的计算机系统的框图。
具体实施方式
[0011]本文中所描述的实施例大体上涉及分类模型的训练及其通过聊天机器人来标识客户指定的产品支持问题并且为其提供合适的故障排除指导的用途。阐述了许多具体细节，以便提供对示例性实施例的透彻理解。然而，对于本领域技术人员而言将显而易见的是，可以在没有这些具体细节中的一些具体细节的情况下实践本文中所描述的实施例。
[0012]呼叫中心可以表示集中部门，来自当前客户和/或潜在客户的例如形式为入站电话呼叫、文本消息、电子邮件消息和/或实时聊天会话的查询被引导到该集中部门。呼叫中心可以位于公司内，或者可以外包给专门处理这样的通信的另一公司。在处理产品/服务支持的呼叫中心的上下文中，呼叫中心的代理可以应对客户关于特定供应商的产品/服务的请求，并且可以捕获关于交互的基于文本的信息作为历史案例数据。例如，响应于接收到产品支持查询，可以在客户关系管理(CRM)应用中打开表示客户问题或疑问的新产品支持案例(或简称案例)，以存储除其他之外的关于产品线和问题或疑问与之有关的特定组件的信息、问题的描述、解决方案、客户是否可以远程(例如，无需更换部件，也无需现场工程师)解决问题、以及问题的严重程度(例如，关键与非关键)。当产品支持查询涉及实时聊天谈话时，也可以记录聊天记录。
[0013]产品供应商继续在人工代理上投入大量金钱、时间、精力和持续培训，以处理许多
入门级至中程技术支持问题(例如，级别0或L0、级别1或L1等)。假设每年由供应商或代表供应商在产品支持案例与诸如聊天机器人(以及基础AI模型、基础设施和资源)之类的自动化手段的保守偏转率为1％的情况下处理数以万计的这样的案例，供应商可以合理地期望每年节省数百万美元。然而，使技术支持问题的处理变得自动化存在各种技术障碍和复杂性，这些技术支持问题包括从历史案例数据中标识产品问题类别，标识要由聊天机器人支持的合适范围的产品问题类别(例如，可由客户自行解决的产品问题类别)，训练AI分类模型(无需对训练数据进行过度的前期手动标记)以允许聊天机器人准确标识客户的意图，并且将所标识的意图映射到所支持的产品问题类别中的一个所支持的产品问题类别。附加地，每个产品问题类别可能涉及许多复杂的解决工作流程(本文中还可以被称为故障排除工作流程和/或决策树)。更进一步地，理想情况下，聊天机器人应该优雅地处理如下场景：客户正在询问的问题当前无法由聊天机器人解决；聊天机器人在多次尝试之后无法从客户文本中标识出意图；客户指示他/她的问题在聊天机器人耗尽其故障排除流程之后仍未解决；客户提出了聊天机器人之前未见过或未学习的问题(因此，聊天机器人无法正确标识问题)；解决特定问题/疑问的有效性或准确性随着时间的推移而减少(例如，由于产品线的改变)等。在前述复杂性之上还有一个问题是如何将领域专家(SME)的产品特定领域专业知识合适地并入相关过程和阶段(例如，标识要解决的产品问题类型、训练数据的精选、AI模型训练、以及操作化)。
[0014]本文中所描述的实施例试图通过使用新颖分类方法将实时文本表达客户意图映射到产品问题类别和即时标记方法来独立或组合解决上文所描述的各种问题。如下文所进一步详细描述的，新颖问题分类方法可以涉及使用每个产品线的单独词关联模型(例如，Word2Vec模型)来捕获用于描述产品问题的词与用于将用户自由文本的表示(例如，矢量表示)映射到产品问题类别的匹配表示(例如，矢量表示)的中间分类模型(例如，产品线特定长短期记忆网络(LSTM)模型)之间的语义相似性。如下文所进一步详细说明的，即时标记方法降低了对大量数据进行前期手动标记的负担，取而代之的是选择准确性随着时间的推移(例如，随着若干个监督训练迭代)而提高到可用水平的分类模型。
[0015]根据一个实施例，在操作时，聊天机器人从用户接收描述与供应商的产品线相关联的问题的产品支持案例的自由文本输入。通过使用来自与产品线相对应的多个词关联模型的集合中的词关联模型对自由文本输入的至少一部分进行令牌化和矢量化来创建问题的矢量表示。多个词关联模型中的每个词关联模型都基于与供应商的多个产品线的相应产品线的多个所支持的问题类别有关的历史支持案例集合，这些历史支持案例可被远程解决并且满足预定义的临界性阈值。通过将中间分类模型应用于矢量表示来确定问题是否与产品线的所支持的问题类别内的类别相匹配。响应肯定性确定，启动经由聊天机器人的与用户的自动化交互式会话式故障排除对话，其中该故障排除对话基于产品线内的特定问题类别的决策树来指导。
[0016]根据另一实施例，可以训练中间分类模型(例如，产品特定LSTM模型)，以使用迭代主动学习过程将产品问题的客户描述映射到供应商的相应产品线的所支持的产品问题类别。类别可以通过从跨越多个产品线的历史支持案例集合提取与特定产品线有关的聊天记录并且在特定产品线内的组件级执行无监督聚类来标识特定产品线的多个问题类别。可以通过从来自历史支持案例集合的与特定产品线相关的随机选定案例记录子集提取数据来
创建训练数据集。然后，可以使用来自SME的输入基于选自多个问题类别的问题类别来标记训练数据集。可以基于训练数据集来训练中间分类模型。当中间分类模型的分类准确性处于或低于期望准确性阈值时：(i)与特定产品线有关的另一随机选定案例记录子集的附加数据可以从历史支持案例集合提取，并且附加到训练数据集；(ii)对于与小于预定义的或可配置的概率阈值的种类概率相关联的训练数据集的那些项，可以从SME接收关于通过中间分类模型针对训练数据集预测的多个问题类别的标签的输入。可以重复训练、提取和附加，直至达到期望准确性阈值。
[0017]术语
[0018]如本文中所使用的，“聊天机器人”(a/k/会话式代理)通常是指在基于硬件的处理资源上执行的计算机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种系统，包括：处理资源；以及非暂态计算机可读介质，耦接到所述处理资源，其中存储有指令，所述指令在由所述处理资源执行时，使所述系统：经由聊天机器人，从用户接收产品支持案例的自由文本输入，其中，所述自由文本输入描述与供应商的产品线相关联的问题；通过使用与所述产品线相对应的多个词关联模型中的词关联模型对所述自由文本输入的至少一部分进行令牌化和矢量化，来创建所述问题的矢量表示，其中，所述多个词关联模型中的每个词关联模型基于与针对所述供应商的多个产品线中的相应产品线的多个所支持的问题类别有关的历史支持案例集合，所述历史支持案例能够被远程解决并且满足预定义的临界性阈值；通过将中间分类模型应用于所述矢量表示，来确定所述问题是否与针对所述产品线的所述多个所支持的问题类别内的类别相匹配；以及响应于肯定性确定，启动经由所述聊天机器人的与所述用户的自动化交互式会话式故障排除对话，所述自动化交互式会话式故障排除对话基于针对所述产品线内的所述类别的决策树来指导。2.根据权利要求1所述的系统，其中，所述指令还使所述系统：响应于否定性确定，将所述产品支持案例逐步升级到人工代理。3.根据权利要求1所述的系统，其中，所述多个词关联模型中的每个词关联模型通过来生成：应用主题模型，以在所述相应产品线的组件级和针对所述相应产品线的所述多个所支持的问题类别内的类别级，根据分类法标识所述历史支持案例集合的集群。4.根据权利要求3所述的系统，其中，所述主题模型包括潜在狄利克雷分配。5.根据权利要求1所述的系统，其中，所述指令还使所述系统：通过基于训练数据集重新训练所述多个词关联模型中与特定产品线相对应的特定词关联模型，来更新针对所述特定产品线的所述多个所支持的问题类别以包括在经逐步升级的产品支持案例内观察到的新兴问题类别，其中在所述训练数据集中所述经逐步升级的产品支持案例不成比例地被表示。6.根据权利要求1所述的系统，其中，所述指令还使所述系统：通过使用主动学习过程对从所述历史支持案例集合提取的新数据进行分类来减少要由领域专家SME执行的手动标记的量，所述主动学习过程利用所述中间分类模型并且将通过所述SME进行的所述手动标记限制在如下临界案例，在所述临界案例中，所述中间分类模型的概率低于预定义的概率阈值。7.根据权利要求6所述的系统，其中，所述中间分类模型包括人工智能AI分类模型。8.根据权利要求7所述的系统，其中，所述AI分类模型包括长短期记忆LSTM模型。9.一种由一个或多个计算机系统的一个或多个处理资源执行的方法，所述方法包括：通过从跨越多个产品线的历史支持案例集合提取与特定产品线有关的聊天记录并且在所述特定产品线内的组件级执行无监督聚类，来标识针对供应商的多个产品线中的所述特定产品线的多个问题类别；通过从来自所述历史支持案例集合的与所述特定产品线有关的随机选定案例记录子
集提取数据，来创建训练数据集；使用来自领域专家SME的输入，基于选自所述多个问题类别中的问题类别来标记所述训练数据集；基于所述训练数据集来训练中间分类模型；响应于针对所述训练数据集的所述中间分类模型的分类准确性处于或低于预定的或可配置的准确性阈值：从来自所述历史支持案例集合的与所述特定产品线有关的另一随机选定案例记录子集提取附加数据；将所述附加数据附加到所述训练数据集；以及对于所述训练数据集中与小于预定义...

【专利技术属性】
技术研发人员：M，
申请(专利权)人：慧与发展有限责任合伙企业，
类型：发明
国别省市：