电商智能客服情感逻辑分析与研究

    |     2021年12月7日   |   客世原创   |     评论已关闭   |    842

摘要:随着电商平台之间竞争的日益加剧,平台竞争愈来愈在服务领域深入凸显,电商服务更多聚焦自助、智能服务领域,国内智能服务市场也呈现出积极向上的发展态势。事实上,智能客服是一项庞大而艰巨的系统工程,其在大数据技术、图像、语音识别、信息技术等各领域均有所涉及,在深度的网络技术领域、自然语言处理等方面均需要极大的投入。如何发挥好智能客服的运营价值俨然成为摆在电商服务面前的一大运营难题,也是对企业运营成本降低的关键所在。本文通过对电商智能客服的情感语义分析,探究用户在智能服务领域的价值取向,按照明确的情感分类计数,从分类效率、准确率的层面强化智能客服情感逻辑模型。同时,基于多层感知模型探索训练智能客服情感分析系统的实施路径,以更为精准的情感属性分析客户的情感倾向,为电商智能客服平台不断发展提供些许参考与建议。

关键词:电商智能客服;情感逻辑;参考与建议;

前言

互联网时代,各种媒介信息元素在爆炸性传播,社会大众的休闲、生活习惯都在悄然变化。传统智能客服的特点是利用自然语言处理技术,采用机器人对话的方式实现自动式问答服务。据相关数据统计,人工智能客服领域在整个产业规模上不断增大,截止2019年,产业规模已经达到了近百家,产生了一批标杆型企业。随着智能客服的飞速发展,智能客服与客户之间的交流文本数据在不断扩大,爆炸性的文本数量对智能客服规模、传播、增长等问题均有了很大的提升空间,这些海量的文本信息可以对机器学习语言、自然处理技术等进行深入的情感分析,进而提升智能机器识别的准确率,更加高效转化潜在用户群体,提升智能客服的平台效率。从传统的人机协同式呼叫中心模式逐步延伸到网络智能客服服务体系,除了需要对服务功能、监控预警逻辑进行梳理,还需要充分利用深度学习及自然语言处理技术对智能客服体系进行引导、预警以及监控,这也需要智能客服文本情感语义逻辑的引入。

一、研究意义

前文提到,智能客服系统是一项庞大、广阔的信息系统集合,智能客服与客户有海量交流的信息数据,需要利用多种路径对海量文本数据进行处理及分析,对其既定内容实施准确、及时的监控及预测,并挖掘在准确性、判断方法上存在的问题。不过,仅仅从对用户意向准确性的判断,很难完成一次高效的智能服务,需要借助于对客户的情感、语义分析探索用户的情感逻辑,从文本数据中挖掘情感价值,进而实现完善的分类结果,提升智能服务对用户的感知力度。

智能客服情感逻辑从概念上是可以区分系统逻辑、文本逻辑,前者主要是基于技术应用,对用户的主流情感倾向进行抓取、分析,为智能客服系统的完善提供监控、分析的建议。后者主要是在大量的文本数据的积累上,通过对文本数据的情感倾向分析,定向对某些定向群体的用户维护情感逻辑。通过本文的研究,着重从文本模型、系统向量模型的视角,分析与研究一种适合电商智能客服情感逻辑分析的特征方法,融合部分算法优化的分类方法,为智能客服情感分析系统的架构、模块功能完善提供必要的搭建应用条件。

二、智能客服情感逻辑分析的关键方法

(一)智能客服文本模型分析

智能客服系统的优化往往是根据文本模型的优化实现,这一标准体现在从自然语言处理技术的变化特征中,对文本特征的提取需求在不断变化,文本的重要性不言而喻。但是,从情感逻辑分析的视角,文本模型通过大量的数据检索、文本索引、排序分析之后,其自身的提取特征是在不断变化,提取模型的标准也会随着文本特征的变化而不断变化,对情感语义的提取要求反而会增大。

因此,非常有必要在文本模型分析的基础上,引入更多的细分模型加以佐证,其中非常重要的一项是向量空间模型。这一模型最早提出在上个世纪60年代,模型主要是应用在文本检索系统上,通过文本检索系统的方式构成一个特定的检索项向量空间,这个空间模型就代表部分数据及检索的需求。而后,根据函数计算的方法计算出检索需求和文本数据的结论,并对结论进行排序。需要注意的是,不同向量的选取值、权重、计算方法等都会对排序结果产生影响。笔者以国内某综合性著名电商平台为例,通过对其文本数据的检索,按比例分配为600条,这600条数据分拆到VSM的模型框架中,结构化形成5项情感语义的结论,计算相似度在0.9,如果更新权重值,则相似度在0.6,误差比例在35%。并且,排序结果也会根据相似度的变化而不断变化。客观而言,将每个文本都看作为为一个向量,这也会导致每个向量的特征过于明显,特征向量的维度偏大,这种特征矩阵的稀疏程度容易形成一个简单的数据结论,而不能应用到实际的逻辑分析中。

(二)智能客服概率模型分析

在主流的统计模型中,概率模型是一种重要的统计模型之一,对自然语言技术的应用有着非常重要的促进作用。概率模型需要在大量文档数据的基础上,以一种抽象主题的方式,将最有可能的主题推出,这在智能客服的系统框架中往往有很好的应用。随着学术界对概率模型研究的深入,概率模型又被进一步拆分为概率学、统计学等细分领域,均有着广泛的学术应用。

对于电商智能客服平台而言,情感逻辑分析也需要应用概率主题的模型,通过概率模型图的方式将主题变量设定不同条件,例如:对已有的文本数据按照关系模式、重复抽样模式的方式观测不同变量,设定不同参数、隐性变量逻辑,将主题变量下的文档数据、参数数据、主题分布等设定不同的概率模型,通过模型分析得出一个相对完整的验算结果。概率模型在应用上,一般都是需要海量的文本数据验算,整个验算的时间、规模、逻辑都是相对复杂的,主题建模的方式也需要大量的数据不断改进,没有最为准确的结果,只是在不断改进验算、验证验算的过程。这就好比一直在追求完美,但始终没有完美,本质是相似的。

(三)智能客服词向量模型分析

词向量模型最早提出在上个世纪80年代,这一模型的提出推动了算法、语言模型的技术应用,该模型主要是通过大量的带有参考价值的文本语料模型训练,根据不同词语、词量计算出不同的词间距,这些词间距主要是通过度量函数的方式计算。词间距的语义通过函数计算是存在相似度的,语义相似度通过不同实数向量的方式形成一部分具有参考价值的文本模型,进而得到应用。

对于电商智能客服平台而言,情感逻辑分析应用这一模型需要大量依靠范例,因为范例是在应用大量生成算法、语言模型的基础上,已经形成了基本的自然语言处理技术的应用。比如说:我们在对词进行处理时,按照训练、验证、测试三个集合进行,集合模型是在训练、参数、分类、评估、清洗几个模块上线进行过滤分析。

第一步先清理掉没有用的缩写词、标点、简写等,然后按照规则进行文本粉刺,形成单一的处理行。

第二步通过模型对词向量训练,构建标准化的情感词表,具体可以按照词表的特征方式提取不同的情感语义关键词。

第三步通过文本对应的初步特征向量分模块组合不同的词表特征。

第四步是进行词表的输入,按照召回、准确、分类、评估的方式对标评估及优化。

第五步是根据优化的核心模块及结果输入最终的结果,形成情感逻辑的初步应用。

第六步是按照模块不断对情感分类模型管理、配置、预测。

三、总结

智能客服情感逻辑分析是一项系统且庞大的工作,这里面不仅有数据文本特征,还有强烈的情感语义特性,更多的还有一些冗余的影响因素,这就需要我们对模型、向量等加强语义逻辑的分析及研究。在电商平台不断发展的今天,服务俨然成为电商的核心竞争力之一,电商智能客服平台仍需要更多关注用户的情感逻辑,只有这样才能积极发挥服务价值,提升用户良好的服务感知。

 

作者:杜霸;为呼叫中心研究者;

本文刊载于《客户世界》2021年11月刊。

转载请注明来源:电商智能客服情感逻辑分析与研究

相关文章

噢!评论已关闭。