面向用户帮助台自动回复的问题分类
自动化技术在支持票据分类中的应用性测试研究表明,自动化机器学习(AutoML)可用于训练具有良好分类性能的机器学习模型(ML 模型),并填补了在不借助专业人员利用 AutoML 开发 AI 解决方案方面的研究空白,进而使该技术更容易为没有专门 AI 部门和员工的公司所采用。
Jun, 2024
该研究表明,对话模型在不需要外部分类器的基础上,通过计算表示为差消息的回复的可能性,可以在内部检测其自己的消息中的语言错误,AutoReply 算法也可以帮助自动搜索具有区分能力的回复。
Nov, 2022
该研究旨在使用自然语言特征提取方法在机器学习中,将朴素贝叶斯、逻辑回归和支持向量机等基本模型用于检测讨论线路偏离主题时教师必须介入的情况,从而实现文本分类和语义分析。
Nov, 2022
TaDaa 是一种基于深度学习和机器学习技术的票务分配自动顾问,可以为客户支持、帮助台等问题管理系统快速分配问题,提高解决问题的平均时间。
Jul, 2022
本文提出并研究了一种新的端到端方法以自动生成短电子邮件回复,称为 “Smart Reply”。它利用先进的大型深度学习生成语义多元化的建议来作为电子邮件的完整响应,并在 Inbox 邮箱中使用,协助 10%的所有移动响应。该系统具有处理每天数亿条消息的能力,利用了最先进的大规模深度学习技术,同时解决了响应多样性和可扩展性等问题,并引入了一种仅需要少量明确标记的数据进行语义聚类的新方法。
Jun, 2016
本文提出了一种基于自然语言处理技术的方法,考虑 Bug 报告的结构化和非结构化属性,例如概述、描述、严重性、影响产品、平台和类别等信息,利用自定义数据转换器、深度神经网络和非泛化机器学习方法检索现有的相同 Bug 报告,并在大量数据来源的众多实验中展示了所提出的解决方案在召回率为 5 时的高检索准确性为 70%。
Dec, 2022
本研究提出了一种新的自动分类缺陷报告的方法,采用自然语言处理技术对文本信息进行预处理,并综合考虑缺陷报告的意图,包括 Apache、Eclipse、Gentoo、Mozilla 等四个生态系统,使用 BERT 和 TF-IDF 技术提取特征,训练分类器后实验结果表明,我们的方法的 F-Measure 从 87.3% 提高到了 95.5%。
Aug, 2022