RAG+大模型在电商客服领域-商品推荐的应用

最新推荐文章于 2025-01-23 16:46:26 发布

江湖人称麻花滕

最新推荐文章于 2025-01-23 16:46:26 发布

阅读量1.6k

点赞数 11

文章标签： chatgpt 人工智能生活 AI大模型机器人

本文链接：https://blog.csdn.net/m0_59235699/article/details/139361406

版权

近年来，随着大型模型的发展，检索增强生成（Retrieval Augmented Generation）技术，简称 RAG，再次引起了广泛关注。在客服管理领域，RAG被视为目前最具潜力的大型语言模型（LLM）应用方案之一。各行业的领军企业都在积极构建内部知识库，如何充分利用这些资源，与客服管理相结合，赋能客服团队，其中蕴藏了大量商机和需求。

电商行业面临着客服流动性大的挑战。在淡季，可能只需要几个外包客服甚至兼职客服，而在旺季，则需要大量临时客服。在这个过程中，培训、管理和接待质检都是巨大的难题。因此，如何在客服管理方面进行成本降低和效率提高，成为整个行业亟需解决的问题。当企业希望提升客户服务水平时，将大模型用作客服协助工具成为一项极具吸引力的选项。

传统的检索系统通常需要建立一个结构化的、按目录分区管理的知识库，其中包含文档和表格等内容。用户在使用时需要类似搜索引擎的方式通过关键词检索，存在使用难度较大的问题，通常需要查阅多份资料、反复跳转才能找到答案。传统的知识库系统往往容易混乱和膨胀，导致治理成本高昂，个人常常会陷入知识查询和分析的困境中。客服更是难以掌握其中的知识结构和细节。在RAG技术的加持下，可以通过将相关文档输入到大型模型的方式，利用其强大的自然语言处理和机器学习能力，对文档进行分析和总结，直接给出答案内容。让大模型作为客服copilot是企业比较强的诉求。

由于大模型有比较强的阅读理解、分析推理、文本生成能力，一定程度也降低我们对于输入知识的严格要求，这也顺应了知识库升级知识湖的大趋势。

在开源领域中，结合大型模型的解决方案有多种选择。例如，像fastgpt和askanything这样的产品，以及像langchain和llama-index这样的开源项目，它们提供了许多实用案例。虽然这些方案可以解决一些文档知识的需求，但对于某些商品知识而言，利用向量相似度来实现精确匹配具有挑战性。举例来说，商品ID通常由数字和字母组成，重复率极高，因此向量相似度在召回效果上可能表现不佳。此外，单个商品的关联知识、属性和文档可能超过大型模型的token限制，需要进行裁剪才能处理。

商家的商品参数知识通常以高度结构化的表格数据形式存在，大多存储在关系型数据库中，一个示例如下：

针对上面的知识结构，如果是用向量模型、语义检索来做召回，效果会大打折扣。开源的向量模型对于商品型号没有做过特殊的调优，语义层面无法很好地区分商品ID、型号、商品编号等无语义的内容，如不能精确区分R075与R075X是两个不同的商品，而基于开源模型微调成本较高且效果不可控；此外基于语义、关键词等召回无法满足范围检索的需求，比如客户需要某个尺寸、重量、价格范围内的——“长度不要超过4m”这样的诉求。所以可以补充一些工程的手段，如获取咨询过程中消费者发送的商品链接、下单信息等提取可能的商品ID。整体解决方案的关键需要一个基于业务且灵活的检索系统，除了常见的FAQ知识、文档之外还要能支撑表格的知识检索。

商品属性表非常大，有的品类的参数多达数百个，商品数更是多达数万个，需要扩展一个模型来进行更准确的recall。如商品参数问答、推荐得场景需要通过一些专属匹配模型来过滤相关属性。尤其商品检索、推荐等场景没有限定商品ID，整个知识内容会很长，上下文会超过大模型的token限制，从成本和性能层面考虑必须要做筛选。

大型模型的强项在于分析决策，而非信息检索。如果将整个商品库交由大型模型处理，除了成本难以控制外，响应延迟可能较大，且无法保证回复质量。因此，将大型模型视作调用检索工具的大脑是更佳选择。鉴于商品数据通常以结构化形式存储于关系型数据库中，通过前期属性筛选可极大降低数据库IO压力。而余下的数据可通过构建规则语法进行进一步过滤。

如下面的示例所示，可以让模型基于用户的问题生成规则，再拿这个规则匹配相关的数据

咨询问题：“推荐功率低于1600w的油烟机”``   ``{``type = "$gt",`    `name = "功率",`    `value = "1600w"``}``   ``// 进行规则运算过滤目标商品

线上实施效果显著，客服在处理咨询时能够快速地进行知识查询和回复，效果如同下文所示。我们已将此方案交付给多个客户使用，而他们的积极反馈也证实了这一方案的价值。

此外，RAG技术在电商客服领域的应用潜力巨大。以运营需求为例，我们可以利用RAG的智能推荐功能突出推广畅销商品，实现精准营销；而个性化回复则能够实现千人千面的定制化服务，提升用户体验。此外，通过引入rerank、人设等环节，我们能够进一步优化客服流程，提高问题解决效率，从而节省人力成本。未来，随着电商行业的不断发展，RAG技术在客服领域的应用前景仍然广阔，还有许多尚未被挖掘的优化空间等待我们去探索。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述