干货 | 深度学习是如何帮助携程机票客服提高对话效率的

作者简介

李元上，携程机票研发部高级数据分析师，擅长结合业务经验设计模型方案。目前负责携程值机选座算法设计、机票客服会话机器人的模型开发工作，关注新技术在项目中的应用价值。

一、背景介绍

作为一家“以客户为中心”的服务型企业，携程一直以来都在旅行服务上下了很大的功夫。从成为第一家设立大规模联络中心的公司，到开办中国旅游业首个客服节，服务已经成为了携程最核心的竞争优势。快速的服务响应能给旅客带来更好的出游体验。

对于机票在线客服而言，如何在部分聊天内容中快速判断客人问询的意图，进而提供解决方案或者引导客人自助操作，成为了一个十分重要的问题。

当客人进入机票客服聊天界面后，是有两个对话阶段的。

一个是机器对话阶段。这个时候还没有接通人工客服，是机器客服在引导客人自助解决问题。机器客服，也叫机器管家，会提供一些常见的问题，用户点击问题后获得对应的解答。

但是常见问题不一定是客人想要的问题，这个时候就需要人工客服出场了，即进入第二个对话阶段：人工对话阶段。

在人工对话阶段，会有客服人员解答客人的疑惑。但事实上，很多客人在机器对话阶段就已经描述了自己遇到的问题，而接通人工客服后，客服可能还需要先翻看客人之前的描述，这个过程比较耗时，效率低而且对客人的体验不好。因此我们需要在接通人工客服前先对客人描述的内容做一次总结，这样客服就可以预知客人想了解什么，并且提前寻找解决方案。

在实际建模过程中，由于机票场景的复杂性，要想模型有非常好的效果，既需要对机票的业务知识有很深的理解，又需要对机票客服对客人的服务习惯有很好的认识。例如当碰到客人的问题是“我要退票”时，客服更关心客人为什么退票，是航班延误导致了退票，能否帮客人获得补偿？还是日期订错导致的退票，能否提醒客人直接改签？

这就要求我们在建模过程中，把对机票业务的理解融入到模型之中，除了基本的文本挖掘模型之外，还要设计一套针对机票业务场景的模型调用方案，以实现模型的定制化，这部分既是我们模型效果提升的重点，也是提高服务质量的关键。

接下来我们会从分析问题着手，分享怎样一步步去解决问题，以及一些注意事项和总结。内容主要包括：理解问题的本质、文本的预处理、样本平衡和文本等长处理、模型框架、模型训练方式、模型效果、线上的定制化等。

二、理解问题的本质

开始解决问题之前需要先弄懂问题的实质，因为我们的处理对象是文本，因此这是一个NLP（自然语言处理）问题，而NLP要解决的问题主要有：

• 文本聚类

例如：我们会根据一些关键词的出现次数对用户聚类，划分不同的用户群等。

• 文本分类

例如：对评论内容分类，区分是正向评论或负向评论等。

• 文本生成

例如：机器翻译等。

我们要解决的问题实质上是一个文本多分类问题，因为我们要把用户描述的内容对应到一些标准问题上，这些标准问题（也叫业务点）是客人常问的几百个问题，并且这些业务点已经有了比较标准的解决方案。

值得注意的是，比较常见的问题通常有非常多的样本，相比而言，那些不常见的问题可能就只有很少的样本，因此样本不平衡在我们的问题中尤为突出，后续我们会谈到解决方案。

在下一步的建模之前先对我们的样本做一些基本描述：我们用到的样本量为30万+，对应的标签类别数为400+，其中不同类别对应的样本量极不平衡，样本比的最大差距在3000:1以上。

三、文本的预处理

机器学习建模过程都