Apr, 2024

RE-GrievanceAssist: 通过机器学习提升客户体验的投诉管理

PDF
TL;DR最近几年，数字平台公司在应对广泛消费者采用的情况下，在管理客户投诉方面面临着越来越多的挑战。本文介绍了一种名为 RE-GrievanceAssist 的端到端流程，专门用于房地产客户投诉管理。该流程由三个关键组成部分组成：i) 使用 TF-IDF 向量化和 XGBoost 分类器进行回复 / 不回复机器学习模型；ii) 使用 fasttext 分类器的用户类型分类器；iii）使用 TF-IDF 向量化和 XGBoost 分类器的问题 / 子问题分类器。最后，它已经部署为批处理作业在 Databricks 中，从 2023 年 8 月以来，整体手动工作量减少了 40％，每月成本减少了 Rs 1,50,000。
发现论文，激发创造
  • 一种基于云端的机器学习流水线，用于高效地从客户评论中提取洞察信息

    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

  • 基于人工智能的客服票分类：现状和 AutoML 实施

    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

  • 利用知识图谱的检索增强生成模型用于客户服务问答

    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

  • 基于 LLMs 的自我改进客户评论回复生成

    我们开发了一个名为 SCRABLE 的新系统，利用检索增强生成（RAG）和先进的大语言模型（LLM）从用户贡献的文档中生成自动回复，通过自优化提示和基于 LLM 的评判机制增强自身的自适应客户评价回复自动化，通过模仿人类评估者的自动评分机制评估生成回复的质量，在真实数据集上进行的广泛实验和分析表明，相比基准线，我们的方法在生成高质量回复方面有效，改进率超过 8.5%。通过对生成回复的手动检查进一步验证了我们提出的系统的效果。

    May, 2024

  • 基于客服互动的消息级情感分析的负面用户检测框架

    本文提出了一个基于即时聊天的客户支持 (CS) 互动的框架，用于预测个体用户的推荐决策。通过分析一家拉丁美洲大型电子商务公司金融垂直领域内的 16.4k 用户和 48.7k 客户支持对话，本研究的主要贡献和目标是利用自然语言处理（NLP）来评估和预测推荐行为，在使用静态情感分析的同时利用每个用户的情感动态的预测能力。结果表明，通过信息级别的情感演变，可以完全自动化地预测用户推荐产品或服务的概率以及相关的功能解释。

    Nov, 2022

  • 开源机器学习项目中实际缺陷的比较分析 -- 一篇注册报告

    研究了机器学习系统和传统软件系统之间的问题报告需求和解决过程的差异，并通过 GitHub 上的应用机器学习项目中的真实问题报告，探究了机器学习问题和非机器学习问题的解决时间和代码修改量等方面的差异。

    Sep, 2022

  • 在线客服中的通用模型

    通过使用机器学习模型和信息检索技术，本论文介绍了一种改进电子商务在线客户服务的方法，其通过使用标记技术以及问题和标签的存储库来预测客户问题的标签，从而无需模型训练和维护，减少了模型开发周期和成本。

    Feb, 2024

  • 基于 Transformer 网络的社交媒体投诉识别

    本研究旨在探索使用最新预训练的神经语言模型与语言信息的组合来自动识别社交媒体投诉。我们评估了一系列以 transformer 网络为基础的神经网络模型，结果表明我们的模型在公开数据集上表现出色，F1 宏平均值高达 87。

    Oct, 2020

  • 口语客服对话中用户请求和抱怨的预测

    该研究通过使用 HealthCall 数据集，评估了自动预测用户请求类型和检测投诉等两项客户关系管理任务，并探索了 14 种特征集作为输入。结果显示，语言特征总是提供最佳结果，并且 Wav2Vec 2.0 特征似乎比 ComPaRe16 特征更适用于这两项任务。嗓音互动特征在使用仅六个特征时在投诉任务上取得了 57% 的成果。

    Jul, 2022

  • 通过拓扑自然语言分析揭示客户问题

    电子商务公司关注顾客服务请求，提出了一种新型的机器学习算法，利用自然语言技术和拓扑数据分析监控顾客问题的新兴和趋势，验证结果与新闻来源高度一致。

    Feb, 2024