【论文精读(客服问答)】Retrieval-Augmented Generation with Knowledge Graphs for Customer Service Question Answe-CSDN博客

本文链接：https://blog.csdn.net/2301_79985417/article/details/147271316

客服问答难题破解？RAG 携手知识图谱来 “救场”

在这里插入图片描述

该论文发表在 SIGIR 2024 上，在这篇论文中，研究者提出了一种结合知识图谱（KG）和检索增强生成（RAG）的客服问答新方法，旨在解决传统RAG方法在处理客服问题时存在的局限性，显著提升检索精度和回答质量。

相关链接：https://doi.org/10.1145/3626772.3661370

之前的问题

在客服技术支持中，快速准确地检索相关过往问题对解决客户咨询至关重要。基于嵌入的检索（EBR）、大语言模型（LLMs）和检索增强生成（RAG）虽有进步，但传统RAG方法将历史问题跟踪工单视为纯文本处理，忽略了问题内部结构和问题间关系，导致检索精度下降；同时，为适应嵌入模型上下文长度限制而进行的文本分段，会使相关内容断开，降低回答质量。

之前的方案

传统激活函数在不同场景各有优劣，且与随机正则化方法相互独立，无法协同提升神经网络性能。在客服问答领域，基于知识图谱的问答方法主要有检索式、模板式和语义解析式，但都存在一定局限性。例如，检索式方法在处理涉及多个实体的问题时存在困难；模板式方法受限于可用模板的范围；语义解析式方法则面临文本到逻辑形式映射的挑战。

Proposed Method（提出方法）：

提出一种基于LLM的客服问答系统，将RAG与KG相结合。该系统分为两个阶段：
1. 知识图谱构建：采用双层架构定义知识图谱结构，分别建模问题内部和问题间的关系。在构建过程中，先通过基于规则的提取和LLM解析将工单转换为树状结构，再根据工单中的显式链接和标题语义相似性建立隐式链接，将个体树合并成图。最后，使用预训练文本嵌入模型为图节点生成嵌入并存储在向量数据库中。
2.检索和问答：首先通过LLM解析用户查询，提取命名实体和查询意图。然后，基于嵌入的检索方法，先利用命名实体集确定最相关的历史问题工单，再通过LLM将原始查询重新表述并转换为图数据库语言，以提取相关子图。最后，由LLM根据检索到的数据生成答案，若查询执行出现问题，则采用基于文本的检索方法作为回退机制。