客服机器人的知识库

客服机器人的知识库是什么?应该如何完善

知识库是客服机器人的核心,机器人知识库就是基于知识的系统,不同于一般应用程序将信息隐含地编码在程序中,它可以将实际问题的对应知识显式地表达,并组成一个相对独立的程序主体,有利于实际问题的快速准确匹配。

目前,人工和客服机器人的协作,已然普及了,可以实时的依据客户的问题辅助人工回答。因此,一个完善的客服机器人的知识库是对人工的一大帮助。那么,客服机器人是如何分辨客户的问题的呢?我们应该如何完善客服机器人的知识库呢?

客服机器人的知识库是什么?应该如何完善

1、自然语义理解

客服机器人是通过句法分析、上下文理解、缩略语识别、模糊推理等语义技术让企业的客户能以最自然的方式表达自己的意思,并能够获得其最想要的精准信息。

2、全渠道统一智能服务

智能机器人客服通常能够覆盖包括网页端、APP、微信、微博、H5等多个咨询渠道,并且不同渠道之间能够实现信息共享,包括知识库信息共享和用户咨询信息共享,客服能够通过一个统一的后台管理来自不同端口的用户咨询,同时用户的咨询记录能够同步到各个渠道。

智能客服机器人的知识库可以再日常工作中,自主完善储备问题,那么前期应该如何完善呢?

词库管理,词库包括业务词、同义词、禁用词和敏感词这四类不同的特殊词汇,用于帮助客服机器人提高匹配度及分析网站咨询的词汇热度和习惯。

1、业务词

业务词的设置目的是为了让机器人能够更顺利地匹配到答案,因为在客户咨询的时候,知识库将问题进行匹配通常是将客户的问题断成多个词汇,再去匹配知识库的问题及获取答案。

2、同义词

我们知道机器人在不能完全匹配到客户某个问题的情况下会匹配到相似问题推荐给客户,这是为了配合不同客户的提问习惯。同义词的目的也是这样,由于每个人说话的方式和用语不一样,很多时候不同的词语都是为了表达相同的意思,所以为了是机器人更好地匹配知识库,我们将意思相近的词语设置成一个标准问题的同义词。

3、禁用词

禁用词目的就简单得多,是为了屏蔽一些访客的不当言辞,有些访客会言辞不文明或使用一些国家规定的禁用词,这种情况下我们我们通过设置好的禁用词提示访客更换提问方式。

4、敏感词

敏感词属于企业比较关注的一类词语,目的是为了了解网站的咨询热词,可设置一些想要关注的词语看看访客咨询机器人的时候提到这些你设置的敏感词的都有哪些、提及次数是多少等,比如:投诉,退换货,预约,退款这些等等。

客服机器人的知识库是什么?应该如何完善

智能客服机器人自主学习包括4个方面的内容:待优化问题、待回答问题、含敏感词问题和含禁用词问题。

1、待优化问题

支持搜索在某段时间内系统自动统计出有多少对话是已经给出访客答案但是访客评价为不满意的问题,统计的数据中不仅展现了访客的真实问法,还直接给出了匹配到的问题标题,匹配的这个问题的具体的哪一个问法,给出的答案等,所在的知识库和目录,同时可以直接点击展开访客咨询的对话详情,方便联系上下文看看访客为什么对这个答案不满意,从而进行优化完善。

2、待回答问题

统计的是未命中问题,就是客户提出的问题,机器人在知识库中找不到匹配答案,这里根据时间顺序罗列出来,方便我们直接补充作答。

3、含敏感词问题

这里是用于统计咱们在之前“词库管理”中设置的敏感词被访客提及的热度情况,比如我设置了”投诉“这个敏感词,这里就会帮你统计出来看看访客有多少人在咨询的时提到了”投诉“的。

但一个敏感词很可能在多个问题中,所以会把含有相同敏感词的问题放在一起,以数字标注的形式告诉你这个敏感出现在了几个问题里,点击可以展开显示全部的访客问题和对应的每个问题的对话详情前后文。

4、含禁用词问题

这里是用于统计咱们在“词库管理”中设置的禁用词汇被被提及的次数,和敏感词一样相同的词语的问题会合并到一起,可以点击展开详细的每个问题,和每个问题的对话内容。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
智能客服知识库,任务,问答 AI_CHAT: 1.知识库逻辑:class LexiconIndexesSet(ModelViewSet) 新建知识库并存到redis: Request: url = url+"/knowbase/" data = {"kbId": kbid, "name": name} Deal: LexiconIndexes.objects.create(**data) cache.set(str(data['id']), "0", timeout=1209600) 删除知识库: Request: url = url + "/knowbase/" + id + "/" Deal: LexiconIndexes.objects.all().filter(id__startswith=std_id).delete() cache.delete_pattern(str(std_id)) 2.问答对逻辑:class QuestionsSet(ModelViewSet) 新建单个问答对: Request: url = url + "/qapairs/" data = { "kbId": kbid, "questionId": questionid, "questions": [ { "question": "沒有那海洋的寬闊" }, { "question": "我只要熱情的撫摸" }, { "question": "所謂不安全感是我" } ], "answer": "我沒有滿腔的熱火" } 批量创建问答对: Request: url = url + "/qapairs/" + "?batch=True" data = { "kbId": "lnn072401", "qas": [ { "questionId": "test_q2_by_lnn", "questions": [ { "question": "你好123" }, { "question": "您好123" }, { "question": "nihao123" } ], "answer": "bsfe4b25-3ddf0-4114-92bd-7c254d145d96" }, { "questionId": "test_q3_by_lnn", "questions": [ { "question": "在1" }, { "question": "在吗1" }, { "question": "zaima1" } ], "answer": "bsfdsb25-3ddf0-3323-92fd-7c252dfsf97" } ] } Deal: 1.验证知识库是否存在 LexiconIndexes.objects.get(id=kb) 2.循环问题列表,将第一个问题作为标准问题id为questionId,其他问题的id使用questionId + '_' + str(i)拼接 3.objs中存放问答对处理后的对象,用于批量创建 infos存放问答对的dict格式,用于更新操作 objs = [Questions(**qa_dict)] infos = [qa_dict] Questions.objects.bulk_create(_objs) 更新问答对: Request: url = url + "/qapairs/" + id + "/" data= { "kbId": "lnn071602", "questions": [ { "question": "你好96" }, { "question": "您好96" }, { "question": "nihaonihao96" } ], "answer": "bsfe4b25-3ddf0-4114-92bd-7c254d145d39" } Deal: 1.将问题id更新到data中 request.data.upd

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值