- 利用开放意图识别模型进行客户支持意图检测
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 - FedBot: 采用联邦学习增强聊天机器人隐私
本研究提出的 Fedbot 是一个隐私保护的聊天机器人，通过 Federated Learning 和深度学习模型来保障客户的数据隐私，并在个性化和高效的客户服务上展示了潜在的应用前景。
- EMNLP社交媒体客户服务话语参与的语言元素
本文通过分析初次客户和品牌帖子的语言内容和风格方面的表达共情、心理语言特征、对话标记和量化话语的个性化度量等因素，证明我们可以使用这些因素来预测客户和品牌之间的互动来促进客户对社交媒体客户支持的参与度。
- EMNLP使用端到端语音到意图预测改进印地语和英语电子商务客服语音机器人
本研究提出了一种新的基于自动语音识别的端到端 S2I（语音转目的）模型，以解决语音客服系统中传统基于多组件管道的模型构建过程中所面临的挑战，实验结果表明，新模型的 F1 得分相对提高了约 27%。
- TaDaa：面向客户支持、帮助台和问题票务系统的实时工单分配深度学习自动顾问
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。
- ACL使用迁移学习恢复西班牙语客户支持记录的标点符号
本文提出了一种自动标点恢复系统，采用两种基于迁移学习的策略来解决西班牙文转录数据的稀疏性，同时使用英语转录数据来提高标点恢复系统的准确性，适用于实时客户支持转录服务。
- Chat-Capsule: 一种用于对话级情感分析的分层胶囊
本研究提出了一种基于语境的层级注意胶囊模型（Chat-Capsule），该模型对话情感分析涵盖了话语级别和对话级别以及其相互关系，并且能够预测用户满意度和情感曲线类别， 实验表明这个模型在基准数据集和专有数据集上均优于现有的基准模型。
- ACL半监督多目标学习方法用于客户联系意图分类
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。
- AAAI基于知识的 ESIM 模型在基于检索的对话系统中的响应选择
本文提出了扩展的 Enhanced Sequential Inference Model (ESIM) 模型: a) K-ESIM (Knowledge-ESIM)，其整合了外部领域知识 b) T-ESIM (Targeted-ESIM)， - 注意力融合网络：结合行为和电子邮件内容以提高客户支持
介绍了 Attention Fusion Network 模型，它通过结合从 Square 产品生态系统中提取的卖家交互信号和提交的电子邮件问题，预测卖家问题的最相关解决方案，表明使用最先进的深度学习系统结合两种很少一起使用的数据来源，远胜 - 通过排名和深度网络提高客户支持的速度和准确性
本文提出了一种名为 COTA 的系统，采用机器学习和自然语言处理技术，通过分级分类和答案选择改善客户支持的速度和可靠性。它比较了两种不同的方法，一种是基于特征工程的机器学习方法，另一种是基于深度学习体系结构的自然语言处理方法。COTA v2 - NIPS实现任务导向对话的流畅性和连贯性
本论文研究了如何在实际的客服对话场景中，生成自然流畅的语言回应和正确的外部操作指令，使用了序列到序列模型并采用了近邻基于嵌入空间的方法，在确保对话连贯性、生成准确的外部操作指令的同时，显著提高了回应的流利程度和准确性。
- 面向对话代理的持续学习
本文介绍了一种基于最新的神经网络连续学习技术的领域无关的神经对话模型，同时提出了一种新颖的神经连续学习算法，能够以数据 - 效率的方式跨越不同任务积累技能，在客户支持领域通过从合成对话或人类之间的对话到人 - 计算机对话的连续技能转移来验证