运用域和任务自适应预训练模型 ALBERT 在顾客联系文本上，通过利用未标注数据、进行半监督学习，将多分类问题解决为多任务学习，从而提高了客服意图分类模型的性能。

Jun, 2021

本文介绍了一种基于云的系统，使用机器学习方法集成到管道中，能够从客户评论中提取洞察力，其复合模型使用基于 transformer 的神经网络、基于向量嵌入的关键字提取和聚类，可以更好地满足高效信息提取、提取信息的主题建模和用户需求的要求，并且比现有的主题建模和关键字提取解决方案取得更好的结果。该方法使用公开可用的数据集进行基准测试，并与其他最先进的方法进行验证和比较。

Jun, 2023

该研究报告基于知识转移伙伴计划，与一家为各种业务部门外包客户支持系统的公司合作，探讨了在客户支持领域可能应用的人工智能方法，包括使用社交媒体、机器学习和远程设备连接等技术来改善客户支持。研究发现，使用不同的方法来准确预测客户意图可以提高客户支持的准确性，但要面对未知意图的准确性问题，还需要进一步研究。

Jul, 2023

本论文比较了三种模型在自动客服中的应用：检索模型，基于序列到序列模型的注意力模型和 Transformer 模型。其中，实验表明序列到序列模型在语义和词重复方面优于其他两种模型。

Sep, 2018

本篇论文提出了一种创新的统一知识提示预训练框架 UFA（Unified Model For All Tasks），系统地解决了客户服务对话任务中的各种需求，通过混合不同的对话任务进行学习，显著提高了自然语言理解和生成的基准。

Aug, 2022

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

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

该研究针对自然语言理解问题，通过将其映射到问题回答领域，研究了特定的迁移学习方法，并显示出在低数据环境下，与其他方法相比可以带来显著的改进，特别是通过跨不同领域的 NLU 问题进行顺序转移学习可增加其收益，并可将所需数据减少高达 10 倍。

Nov, 2020

使用混合专家框架，本文旨在自动学习如何判断一个产品评论是否与给定查询相关，并在一个包括 1.4 百万个问题和答案以及 13 百万个评论的语料库上评估我们的系统，Moqa，并表明它对于处理二元和开放性查询都有效，在定性研究中还展示了这个系统能够提供人工评估认为相关的评论。

Dec, 2015

使用 NLP 和多模式学习，该论文介绍了如何通过搜索引擎检索来增强预训练模型，从而在测试时从互联网中检索到有用的数据，并更新模型以解决模型的不确定性，取得了零样本性能的显著改进。

Nov, 2023