王缉芬 黄蔚 王圣竹 赵泰龙 韦国惠 黄梦喜 梁祺
广西电网有限责任公司客户服务中心 南宁市兴宁区 530023
摘要：随着互联网等技术的不断发展，电力营销客服业务面临很大挑战，本文介绍了智能机器人在电力营销客服中的发展过程，从FAQ问答能力、情感识别能力、意图识别能力、多轮对话能力等方面介绍了智能机器人面向电力企业业务所具备的关键能力，对智能机器人在电力营销客服中的应用进行展望，表明智能机器人与特定的业务场景相结合，可以极大地解决业务需求，够提升电力公司精益化管理水平，打破原有的信息壁垒，促进整体管理能力的提升，并且随着技术的进步，智能机器人很快可以在质检及坐席辅助领域将有广泛而切实的应用。
关键词：智能机器人；电力营销客服；FAQ；智能质检
0 引言
随着电力公司业务范围的扩大和市场份额的增加，基于传统呼叫中心的客户服务系统的弊端日益突出，很难有效的满足电力企业生存和发展的需要，电力企业服务窗口正在寻求具有高服务效率的新服务交付模式。
目前，各电力公司客服中心每天都在面临着来自各方的海量的客户咨询。客户通过微信公众号、支付宝、掌上电力APP、网厅、微博等进行业务咨询、故障保修、投诉、举报、建议、意见及表扬、电网信息、政策订阅等，对服务提出了更高的要求，需要电力公司及时、准确地洞察到客户的心声，以最好的服务、最短的时间满足客户的需求；同时客户要求更友好、更便捷地使用我们提供的服务。这些需求需要客户服务人员通过查询电力传统知识库或请教业务专家后才能给客户满意的回复，不仅需要消耗很大的人力成本，同时响应的周期也相对较长。而且在业务咨询中存在大量的常见问题需要客服人员反复回答，同时传统呼叫中心客服系统需要大量的人力和物力。因此，将智能机器人应用于客户服务也是我国电力企业生存和发展的必由之路。
本文首先介绍了智能机器人在电力营销客服中的发展过程，接着从FAQ问答能力、情感识别能力、意图识别能力、多轮对话能力等方面介绍了智能机器人面向电力企业业务所具备的关键能力，最后对智能机器人在电力营销客服中的应用进行展望，表明充分利用智能机器人的强大能力，将智能机器人与特定的业务场景相结合，可以极大地解决业务需求。智能机器人的建设，从电力公司营销战略定位出发为客户服务创造了价值，确定了营销业务的价值目标，为营销业务发展指明了方向。能够提升电力公司精益化管理水平，打破原有的信息壁垒，强有力的促进了整体管理能力的提升，为实现将公司建设成为“服务好、管理好、形象好的国际先进电网企业”目标打好基础。
1 智能机器人在电力营销客服中的发展
随着互联网快速的发展，客户服务渠道呈现出多样化需求，电力企业高度重视电子渠道的应用，积极推进电子渠道的建设工作，先后建成了掌上营业厅、网上营业厅、微信公众号、95598热线等一系列的电子服务渠道。但新电子渠道的打通使客服代表工作量暴增，传统的客服代表的工作模式已不能满足新电子渠道对客服质量的要求，
传统的客服是主要通过关键字搜索和客服代表的经验来完成客服工作，客户的服务体验受坐席的业务知识能力、情绪等因素影响较大，服务水平对坐席人员素质的依赖程度过高，且简单重复性的业务占用了大量宝贵的人力资源。
智能机器人客服是采用规模知识处理、自然语言理解、知识管理和推理等技术来解决电力行业常见问题（Frequently Asked Question，FAQ）一种服务方式，为电力企业提供了细粒度知识管理技术和精细化管理所需的统计分析信息，实现了企业与海量用户之间快捷有效的沟通。智能机器人在电力营销客服中的发展可以分为三个阶段：（1）智能机器人实现应用频率较高、查询类业务的智能化；（2）智能机器人实现低频工单类、环节类、功能类服务的智能化；（3）智能机器人实现线上业务全面智能化。
2 智能机器人的关键能力
2.1 面向电力领域业务的FAQ问答能力
智能机器人的问答能力是通过深度学习领域的模型实现的。首先，通过Word Embedding 将用户输入的问题转化成向量，初步得到具有一定语义信息的向量表示，然后通过训练好的模型将该向量表示进一步计算转化，得到包含更多抽象语义的向量表示，然后计算该向量与标准问题对应的向量的相似度，再将计算出的相似度进行排序，根据不同业务场景制定的分数段选择规则来确定匹配到的标准问题，选择该标准问题所对应的答案作为输出答案。
.png)
图1 FAQ支撑的人机问答
除了借助于神经网络模型的能力之外，标准问答库和模型训练数据的质量也会影响到 FAQ 问答能力。智能机器人的标准问答库源自于业务部门的长期积累，涵盖了大部分用户可能提问到的问题，然后，通过专业的语料数据处理人员，将这些问答语料进行整理，将相似的用户问题进行整合，整理出更具有代表性的标准问题和对应的答案，并且使标准问题之间的相似程度尽量减小，得到标准问答库；然后基于标准问答库，再对其中的标准问题进行问题扩写，即对每条标准问题扩写出尽可能多的模拟用户提问的相似问法，从而获得模型所需的训练数据。
2.2 情感识别能力
智能机器人使用模型来实现情感识别和闲聊。模型对用户输入的语句进行计算处理，能够分析出用户输入语句所表达的情感，智能机器人能够通过闲聊模型，根据业务场景特征在不同情绪发生时输出不同的闲聊或者安抚措施，以此来驱动回复策略的交互导向。目前智能机器人实现了多种不同情绪的识别，配合情感话术设定来实现对客户的“安抚”。
2.3 意图识别能力
智能机器人使用 Text-CNN 模型来作为意图识别的基础核心模型。采用Text-CNN 深度学习模型，利用CNN 在提取抽象特征方面表现出色的特点，“理解”用户所要表达的真实意图。事实上，意图识别即为多分类问题。首先是嵌入层（Embedding layer），利用 word2vec 将词语转化为词向量；接着是卷积层（Convolution layer），利用不同尺寸的 卷积核进行一维卷积，因此会有多个特征图像；然后是池化层（Max-pooling layer），对特征图像做降维然后拼接为一个特征向量；最后是全链接层（Dense layer），通过激活函数为 softmax 的全链接层，输出每个类别的概率。因为卷积层具有局部特征提取的功能，所以可以利用CNN 来提取文本中的特征信息。
2.4 多轮对话能力
智能机器人通过多轮对话引擎实现多轮对话能力。多轮对话引擎是一种基于深度学习和意图模型的对话控制模块，并且每个对话节点具备可定制性，提供对话意图识别在线模型训练和管理。在意图识别的基础上，根据业务逻辑形态，使用平台场景编辑器确定错综复杂的流程导向图，利用深度学习的NLG（自然语言生成）技术以及上下文记忆技术实现引导交互的下一步，从而在理解客户语义的情况下正确辅助完成特定产品服务，例如查询类多轮会话判断逻辑如图2所示。
.png)
图2 查询类的多轮会话
3 智能机器人在电力营销客服中的应用展望
智能机器人的应用是使机器能够胜任一些通常需要人类智能才能完成的复杂工作，而复杂工作的定义是随着时代的发展和技术的进步而不断变化的，现阶段人工智能擅长的是快速处理简单、重复的问题。目前，在电力客服领域存在重复率较高、复杂度相对较低、对于效率要求较高的工作，因此，智能机器人在客户服务的咨询查询业务中崭露头角，随着技术的进步，很快在质检及坐席辅助领域也将有广泛而切实的应用。
3.1智能质检
客服中心虽然有专门的质检团队，负责座席服务质量检查和各类专项质检分析，但抽检比率低，质检工作量大、效率低且覆盖率低，难以有效评价整体服务质量。所以质检团队的工作内容更多的是抽样复查、统计问题、形成报告并进行后续监督管控。当前客服质检工作存在的主要问题包括质检被动、效率不足、主观性强和以点代面等。
智能质检以客户服务为中心，基于智能机器人强大的语音识别和分析能力，以质检模型为标准，对客服中心全量语音进行分析和质检，并生成智能质检结果。在智能质检的基础上，进行人工专向质检和复检，从而实现提升业务人员业务能力和提升客户满意度的目标。
3.2智能坐席辅助
传统的客户服务流程是用户因为某个需求拨打95598，座席接听用户电话，然后手忙脚乱的为电力用户提供服务，在整个服务链条过程中，坐席所代表的电力企业一侧是被动的。引入智能坐席辅助之后，智能机器人能提前预知客户的诉求并智能的从庞大的知识库系统中提取标准答案及流程对客服代表进行辅助和提醒，将极大的减轻客服的压力，将为客户带来更好地服务。
随着业务的拓展及深入，需要越来越多地客服人员进行服务支撑，而在客户服务过程中，客户管理人员很难实时的对客服人员与客户的通话进行监测、分析、把控及介入，此时引入智能机器人可以在实时会话过程中根据通话情况，对基层客服人员进行关注、监听、预警或者紧急情况时邀请专家及负责人介入，将能很大的降低客户服务风险。
4 结论
本文首先介绍了智能机器人在电力营销客服中的发展过程，接着从FAQ问答能力、情感识别能力、意图识别能力、多轮对话能力等方面介绍了智能机器人面向电力企业业务所具备的关键能力，最后对智能机器人在电力营销客服中的应用进行展望，表明智能机器人与特定的业务场景相结合，可以极大地解决业务需求，够提升电力公司精益化管理水平，打破原有的信息壁垒，促进整体管理能力的提升，并且随着技术的进步，智能机器人很快可以在质检及坐席辅助领域将有广泛而切实的应用。
参考文献：
[1]包燕晗.搜索引擎存在的问题与发展趋势[J].中国.信息导报. 2006. (4)：62- 64.
[2]万志峰.搜索引擎的技术现状及其发展趋势[J].现代图书情报技术， 2004.(55):35- 37.
[3]G Kellogg.From Data Management to Knowledge Management [J].Computer, 1986,19(1): 75- 84.
[4]李梦群，庞学慧，王凡.先进制造技术导论[M].国防工业出版社.2005: 19- 23.
[5]PGoutam Kumar Saha. Web ontology language (OWL) and semantic web [J]. Ubiquity,2007, 35(R): 1- 4.
[6]Natalya F.Noy,Michael Sintek, Stefan Dcker.Creating Semantic Web Contents with Protege2000 [J]. IEEE Intelligent Systems archive, 2001, 16(2): 60- 71.
[7]Yiming Yang, Jan 0. Pedersen. A Comparative Study on Feature Selection in Text Categorization[C]. Proceedings of ICML, 14th international Conference on Machine Learning, 1997.
[8]侯汉清，薛春香.用于中文信息自动分类的《中图法》知识库的构建 [J].情报理论与实践，2005,(5):84- 88.