通过开发一个集成了拍手手势和象征性手势的虚拟解释器来研究手势对解释的影响，发现手势无法单独或与拍手手势结合使用超越基准或仅使用拍手手势的条件在理解方面的表现，但是与先前的研究相比，具身化代理显著增强了理解。

Jun, 2024

通过使用一种建立关系的策略，本研究旨在通过闲聊来建立人机关系，并通过大型语言模型（LLM）为虚拟代理实现这种策略。通过预定义的顺序和自由形式的对话策略，分析了人类评估、对话得分、自然度、满意度、兴趣、参与度和可用性之间的相关性。实验结果表明，使用自由形式来促进建立关系的策略在主观评分方面表现最佳。

Jun, 2024

该研究探讨了航空业中提高顾客满意度的方式，这是保留顾客和建立品牌声誉的关键因素，对于收入增长至关重要。通过机器学习和因果推断方法的结合，我们研究了服务改进对顾客满意度的具体影响，重点关注在线登机牌体验。通过详细的数据分析，涉及多个预测和因果模型，我们证明了客户服务的数字方面的改进显著提高了整体顾客满意度。这篇论文强调了航空公司如何战略性地利用这些见解做出数据驱动的决策，以提升顾客体验，从而增强市场竞争力。

May, 2024

利用大型语言模型作为服务界面的附加功能，Ask Me Anything (AMA) 允许客服代理人在处理客户对话时随时向模型提问，模型实时提供准确的回答，节省了代理人的时间和成本。内部实验结果显示，使用 AMA 功能的代理人与传统搜索经验相比，每个包含搜索的对话节省了约 10% 的时间，年度节约金额达到数百万美元。使用 AMA 功能的代理人在接近 80% 的时间内提供了积极的反馈，证明其作为人工智能辅助功能在客户服务中的可用性。

May, 2024

我们介绍了一种将 RAG 与知识图谱相结合的新型客户服务问答方法，通过保留内部问题结构和问题间关系，从历史问题中构建知识图谱用于检索，提高检索精度和解答质量。该方法在实证评估中显示，相对于基准模型，该方法在 MRR 上提升了 77.6%，在 BLEU 上提升了 0.32。我们的方法在 LinkedIn 的客户服务团队中使用了近六个月，并将平均每个问题的解决时间减少了 28.6%。

Apr, 2024

使用无监督的远程光电容积脉搏图 (rPPG) 技术，结合行为特征，有效地测量在线团体会议中的参与度，通过使用仅心率变异性 (HRV) 特征可实现 94% 的准确性，结合行为线索后可提高至 96% 的准确性。

Apr, 2024

我们提出了一种名为 CHOPS 的 LLM 代理，旨在通过现有系统与用户信息进行交互，提供准确合理的响应，并避免有害操作，从而增强或替代人工客户服务。通过使用一个实用的数据集 CPHOS-dataset 来验证我们提出的 CHOPS 架构的性能， 我们的研究显示了 LLMs 如何增强或替代人工客户服务。

Mar, 2024

通过开发一个机器学习框架，我们预测客户联系的复杂程度并相应地将其转接给适当的代理商，从而显著提高了顾客体验，并提出了一个用于统计评估客户服务效果的有用指标，称为复杂度 AUC。

Feb, 2024

对任务导向型对话系统的评估方法进行广泛的综述，着重关注对话系统在实际应用中（例如客户服务）的应用；对以前工作中使用的构造和指标进行了概述；讨论了对话系统评估的挑战，并制定了未来研究议程；通过对四个数据库（ACL、ACM、IEEE 和 Web of Science）的系统综述，总共有 122 项研究进行了仔细分析，发现没有明确报告操作化情况，并希望未来的研究能对使用的构造进行更加批判性的操作化和规范化；最后给出了评估方面的建议和未解决问题的建议。

Dec, 2023

我们提出了 RSVP 框架，通过在自我认知的方式下利用代理响应进行预训练，以增强对客户意图的准确识别，并对两个真实世界的客户服务数据集进行了实验，结果显示 RSVP 在准确性、MRR@3 和 MRR@5 等方面明显优于现有方法。

Oct, 2023