智能客服发展趋势是怎样的，其市场前景分析( 三 ) _客服

5）追问
当用户问法中没有提供该语义槽值时，机器人要对其自动发起追问。
例如用户问：天气怎么样？我们无法获取到查询天气的地点的语义槽值，就需要机器人追问，您想获取哪里的天气信息？，追问话术一般设置多条，随机追问。
在国内开放的bot系统中，百度UNIT和微信的对话开放平台就是应用的该技术框架。
一个自然语言对话系统，理解的核心任务是对意图的解析和对词槽的识别。
例如：订明天早上8点北京到石家庄的火车，在这个例子中，对于用户表达的一句话，它的意图是要订火车票，其中涉及的词槽包括出发地、目的地、时间。当这个时间有多趟车次的时候，就需要进行追问用户，是要订哪一个。
以百度UNIT平台为例，搭建一个买票智能回复的流程。

需求分析：订火车票需要知道时间、出发地、目的地新建一个BOT，命名为：火车票新建对话意图：命名订票添加词槽：出发时间、选择系统词槽词典，选择然后选择系统词典 sys_time(时间)，出发地词槽、目的地词槽，这两个都可以选择系统词典，这些都是必填项。设置词槽与意图关联属性，这里火车票的出发时间是订票里必须的关键信息，所以选择必填。澄清话术就是当用户表达订票需求的语句里缺少出发时间时 bot 主动让用户澄清的话术。还可以设置让用户澄清多少轮后放弃要求澄清，默认是 3 次。设置 BOT 回应，BOT 回应就是当 BOT 识别出用户的意图和所有必填词槽值时给用户的反馈。对于订票回复一般对接API接口，实现自动生成方式。当然，这只是火车票中的一个场景，在火车票这个场景中还有退票、改签、查询等功能。这些都是需要我们在需求梳理中要确定的。
3. 如何评判一个智能客服系统的好坏（1）基于人工标注的评价
基于问答知识库来回答的系统，回答能力受限于知识库的丰富程度，也就是说知识库对用户问题的覆盖率，覆盖率越高，准确性越高。
因此并非能回答用户的所有问题，系统最佳的状态是将能回答的全部回答准确，不能回答的全部拒识，即拒绝回答。
因此这里的评价指标包括有问题解决率、拒识率、召回率和准确率等，我们的目标是让系统的有结果率无限接近数据的真实有结果率，召回率和准确率尽量高。
召回率 = 机器人能回答的问题数 / 问题总数准确率 = 机器人正确回答的问题数 / 问题总数问题解决率 = 机器人成功解决的问题数 / 问题总数拒识率=机器人未回答问题数/用户问题数通过从每日的全量数据集中抽样出一个小数据集，保证小数据集的数据分布尽量符合全量数据集，然后由标注团队对数据集做标注，标注出每个问题的实际答案，一般标注完成后还有质检的环节，以保证标注结果尽量准确，这样便生成了每日数据的标准评测集。

智能客服发展趋势是怎样的，其市场前景分析( 三 )

猜你喜欢