隨著電商平臺之間競爭的日益加劇，平臺競爭愈來愈在服務領域深入凸顯，電商服務更多聚焦自助、智能服務領域，國內智能服務市場也呈現出積極向上的發展態勢。事實上，智能客服是一項龐大而艱巨的系統工程，其在大數據技術、圖像、語音識別、信息技術等各領域均有所涉及，在深度的網絡技術領域、自然語言處理等方面均需要極大的投入。如何發揮好智能客服的運營價值儼然成為擺在電商服務面前的一大運營難題，也是對企業運營成本降低的關鍵所在。

       本文通過對電商智能客服的情感語義分析，探究用戶在智能服務領域的價值取向，按照明確的情感分類計數，從分類效率、準確率的層面強化智能客服情感邏輯模型。同時，基于多層感知模型探索訓練智能客服情感分析系統的實施路徑，以更為精準的情感屬性分析客戶的情感傾向，為電商智能客服平臺不斷發展提供些許參考與建議。

       互聯網時代，各種媒介信息元素在爆炸性傳播，社會大眾的休閑、生活習慣都在悄然變化。傳統智能客服的特點是利用自然語言處理技術，采用機器人對話的方式實現自動式問答服務。

       據相關數據統計，人工智能客服領域在整個產業規模上不斷增大，截止2019年，產業規模已經達到了近百家，產生了一批標桿型企業。隨著智能客服的飛速發展，智能客服與客戶之間的交流文本數據在不斷擴大，爆炸性的文本數量對智能客服規模、傳播、增長等問題均有了很大的提升空間，這些海量的文本信息可以對機器學習語言、自然處理技術等進行深入的情感分析，進而提升智能機器識別的準確率，更加高效轉化潛在用戶群體，提升智能客服的平臺效率。

       從傳統的人機協同式呼叫中心模式逐步延伸到網絡智能客服服務體系，除了需要對服務功能、監控預警邏輯進行梳理，還需要充分利用深度學習及自然語言處理技術對智能客服體系進行引導、預警以及監控，這也需要智能客服文本情感語義邏輯的引入。

 1 研究意義

       前文提到，智能客服系統是一項龐大、廣闊的信息系統集合，智能客服與客戶有海量交流的信息數據，需要利用多種路徑對海量文本數據進行處理及分析，對其既定內容實施準確、及時的監控及預測，并挖掘在準確性、判斷方法上存在的問題。

       不過，僅僅從對用戶意向準確性的判斷，很難完成一次高效的智能服務，需要借助于對客戶的情感、語義分析探索用戶的情感邏輯，從文本數據中挖掘情感價值，進而實現完善的分類結果，提升智能服務對用戶的感知力度。

       智能客服情感邏輯從概念上是可以區分系統邏輯、文本邏輯，前者主要是基于技術應用，對用戶的主流情感傾向進行抓取、分析，為智能客服系統的完善提供監控、分析的建議。后者主要是在大量的文本數據的積累上，通過對文本數據的情感傾向分析，定向對某些定向群體的用戶維護情感邏輯。

       通過本文的研究，著重從文本模型、系統向量模型的視角，分析與研究一種適合電商智能客服情感邏輯分析的特征方法，融合部分算法優化的分類方法，為智能客服情感分析系統的架構、模塊功能完善提供必要的搭建應用條件。


       （一）智能客服文本模型分析

       智能客服系統的優化往往是根據文本模型的優化實現，這一標準體現在從自然語言處理技術的變化特征中，對文本特征的提取需求在不斷變化，文本的重要性不言而喻。但是，從情感邏輯分析的視角，文本模型通過大量的數據檢索、文本索引、排序分析之后，其自身的提取特征是在不斷變化，提取模型的標準也會隨著文本特征的變化而不斷變化，對情感語義的提取要求反而會增大。

       因此，非常有必要在文本模型分析的基礎上，引入更多的細分模型加以佐證，其中非常重要的一項是向量空間模型。

       這一模型最早提出在上個世紀60年代，模型主要是應用在文本檢索系統上，通過文本檢索系統的方式構成一個特定的檢索項向量空間，這個空間模型就代表部分數據及檢索的需求。而后，根據函數計算的方法計算出檢索需求和文本數據的結論，并對結論進行排序。需要注意的是，不同向量的選取值、權重、計算方法等都會對排序結果產生影響。

       筆者以國內某綜合性著名電商平臺為例，通過對其文本數據的檢索，按比例分配為600條，這600條數據分拆到VSM的模型框架中，結構化形成5項情感語義的結論，計算相似度在0.9，如果更新權重值，則相似度在0.6，誤差比例在35%。并且，排序結果也會根據相似度的變化而不斷變化?？陀^而言，將每個文本都看作為為一個向量，這也會導致每個向量的特征過于明顯，特征向量的維度偏大，這種特征矩陣的稀疏程度容易形成一個簡單的數據結論，而不能應用到實際的邏輯分析中。

       （二）智能客服概率模型分析

       在主流的統計模型中，概率模型是一種重要的統計模型之一，對自然語言技術的應用有著非常重要的促進作用。概率模型需要在大量文檔數據的基礎上，以一種抽象主題的方式，將最有可能的主題推出，這在智能客服的系統框架中往往有很好的應用。隨著學術界對概率模型研究的深入，概率模型又被進一步拆分為概率學、統計學等細分領域，均有著廣泛的學術應用。

       對于電商智能客服平臺而言，情感邏輯分析也需要應用概率主題的模型，通過概率模型圖的方式將主題變量設定不同條件，例如：對已有的文本數據按照關系模式、重復抽樣模式的方式觀測不同變量，設定不同參數、隱性變量邏輯，將主題變量下的文檔數據、參數數據、主題分布等設定不同的概率模型，通過模型分析得出一個相對完整的驗算結果。

       概率模型在應用上，一般都是需要海量的文本數據驗算，整個驗算的時間、規模、邏輯都是相對復雜的，主題建模的方式也需要大量的數據不斷改進，沒有最為準確的結果，只是在不斷改進驗算、驗證驗算的過程。這就好比一直在追求完美，但始終沒有完美，本質是相似的。

       （三）智能客服詞向量模型分析
       詞向量模型最早提出在上個世紀80年代，這一模型的提出推動了算法、語言模型的技術應用，該模型主要是通過大量的帶有參考價值的文本語料模型訓練，根據不同詞語、詞量計算出不同的詞間距，這些詞間距主要是通過度量函數的方式計算。詞間距的語義通過函數計算是存在相似度的，語義相似度通過不同實數向量的方式形成一部分具有參考價值的文本模型，進而得到應用。

       對于電商智能客服平臺而言，情感邏輯分析應用這一模型需要大量依靠范例，因為范例是在應用大量生成算法、語言模型的基礎上，已經形成了基本的自然語言處理技術的應用。比如說：我們在對詞進行處理時，按照訓練、驗證、測試三個集合進行，集合模型是在訓練、參數、分類、評估、清洗幾個模塊上線進行過濾分析。

       第一步先清理掉沒有用的縮寫詞、標點、簡寫等，然后按照規則進行文本粉刺，形成單一的處理行。

       第二步通過模型對詞向量訓練，構建標準化的情感詞表，具體可以按照詞表的特征方式提取不同的情感語義關鍵詞。

       第三步通過文本對應的初步特征向量分模塊組合不同的詞表特征。

       第四步是進行詞表的輸入，按照召回、準確、分類、評估的方式對標評估及優化。

       第五步是根據優化的核心模塊及結果輸入最終的結果，形成情感邏輯的初步應用。

       第六步是按照模塊不斷對情感分類模型管理、配置、預測。

       智能客服情感邏輯分析是一項系統且龐大的工作，這里面不僅有數據文本特征，還有強烈的情感語義特性，更多的還有一些冗余的影響因素，這就需要我們對模型、向量等加強語義邏輯的分析及研究。

       在電商平臺不斷發展的今天，服務儼然成為電商的核心競爭力之一，電商智能客服平臺仍需要更多關注用戶的情感邏輯，只有這樣才能積極發揮服務價值，提升用戶良好的服務感知。

來源：作者：杜霸；為呼叫中心研究者；