基于商品知识图谱的电商平台客服对话用户满意度预测系统和预测方法

本发明涉及一种基于商品知识图谱的电商平台客服对话用户满意度预测系统和预测方法,属于计算机智能计算与运用。

背景技术：

1、网络技术的发展极大地促进了在线购物平台的应用，如亚马逊、yelp、京东商城和淘宝等，这些平台提供了多种多样的电商服务，以满足不同类型客户的不同需求。在网络购物的过程中，由于用户无法直接接触到商品，电商平台客服对话便成为了电子商务的重要组成部分，对于提供优质的客户服务和提升用户满意度至关重要。在电商平台上，客服对话扮演着桥梁的角色，将用户的问题、疑虑和需求传达给平台，同时为用户提供解答、建议和支持。通过评估用户满意度，平台可以发现潜在的问题和改进的空间，进而提升客服质量和用户体验。平台可以通过各种方式收集用户的反馈，如满意度调查、用户评价、投诉处理等，从而对客服对话的质量和效果进行评估和改进。

2、在电商平台中，一段客服对话的背后均存在着用户需要咨询的商品，而该商品则可以为客服对话的评估提供很大的参考价值。首先，使用所咨询的商品信息能够帮助客服人员更准确地理解用户的问题和需求。了解用户咨询的具体商品，可以让客服人员提供更精准的解答和建议。不同商品可能有不同的特性、规格、用途等，只有了解这些信息，客服人员才能更好地回答用户的问题，提供专业的指导。其次，使用所咨询的商品信息有助于客服人员提供个性化的服务。每个商品都有其特定的使用方法、注意事项等，通过了解所咨询的商品信息，客服人员可以根据用户的具体情况给出针对性的建议和解决方案。个性化的服务能够满足用户的个别需求，提高用户的满意度和购买体验。此外，使用所咨询的商品信息还有助于客服人员提供更全面的支持。了解商品的特性和功能，客服人员可以向用户介绍更多的产品优势和相关信息，帮助用户做出更明智的购买决策。客服人员还可以根据商品的售后政策和保修条款等提供相关的服务和解决方案，增加用户对平台的信任和满意度。然而，现有的电商客服对话用户满意度评估技术中往往将重点放在对话内容的语义建模上，而忽略了其背后的商品信息。

技术实现思路

1、本发明正是针对现有技术中的问题，提供一种基于商品知识图谱的电商平台客服对话用户满意度预测系统，包括商品推理模块、文本挖掘模块和知识增强模块。

2、在商品推理模块中，首先在知识图谱上对商品知识推理模型进行预训练。为了进行知识推理，将商品映射到商品知识图谱的多个商品上去作为推理所使用的头实体，并根据产品类别选择推理关系。基于每个商品的相关头实体和关系，使用推理模型预测尾实体，从而获得每个商品的关键属性和概念，进而从对话中提取关键词。而针对客服对话的文本语义信息，文本挖掘模块则利用话语编码器bert和transformer进行逐轮和对话级别的编码，以获得对话的上下文表示。最后，将对话的商品相关关键词和对话语义表征向量使用知识增强模块进行融合，使用多头注意力机制从三种不同的角度对对话的关键信息进行挖掘，得到用户对话满意度的充分表征，进而更精准地预测用户对一段对话的满意程度

3、为了实现上述目的，本发明采取的技术方案如下：

4、基于商品知识图谱的电商平台客服对话用户满意度预测系统，所述预测系统包括商品推理模块、文本挖掘模块以及知识增强模块，

5、所述商品推理模块：接收客服对话中的商品信息作为输入，将其映射到知识图谱的多个实体上作为推理头实体，并选择与其最为相关的关系作为推理使用的关系，根据头实体与关系进行与该商品相关的尾实体的推理，并基于得到的尾实体进行文本关键词提取，得到对话中商品相关的关键词；

6、所述文本挖掘模块：接受对话文本信息，并使用预训练编码器进行文本的回合内、回合间编码，最终得到文本的语义表征向量；

7、所述知识增强模块：基于文本编码、商品信息与关键词，使用多头注意力机制进行三种注意力计算，从而从不同角度对文本中影响用户满意度的关键信息进行挖掘，更好地预测用户的满意度

8、基于商品知识图谱的电商平台客服对话用户满意度预测方法，所述方法包括如下步骤：

9、s1，商品知识推理：根据对话所涉及的商品品类进行基于商品知识图谱的针对性商品推理，得到与一类商品相关的关键属性信息；

10、s2，对话关键词提取：根据s1所得到的商品相关属性信息，将用户、客服语句进行分词后逐个进行词语和商品属性关键词的语义相似度对比，将语义相似度较高的词语提取出作为对话关键词；

11、s3，对话文本表征：使用bert模型进行回合级别的对话表征，随后使用多头注意力机制将各个回合的文本编码进行整合得到统一的文本表征；

12、s4，知识增强的满意度预测：基于多头注意力机制进行关键词级别、对话级别和商品级别的三种表征向量挖掘，从不同角度进行文本关键信息的表征提取，然后将这三类表征输入全连接神经网络中进行最终的用户满意度预测。

13、本工作在电商客服对话满意度评估方面的创新之处在于考虑了客服对话背后的商品信息。与现有技术相比，这一创新带来了显著的优势。首先，通过将商品信息融入模型中，能够更准确地理解用户的问题与意图。其次，考虑商品信息使得您的模型能够提供更全面的支持和指导。在电商客服对话中，用户通常咨询关于商品的信息，如规格、用途、售后等。通过将商品信息纳入评估模型，能够使其快速捕捉到电商客服对话中商品相关的关键属性、概念信息，从而提取对话中真正影响用户体验的部分。本工作可以有效提升电商平台的客户服务质量和用户满意度，为用户提供更好的购物体验。通过评估对话满意度，电商平台可以了解用户的需求和关注点，从而优化产品和服务，提供更符合用户期望的购物体验。同时，评估结果还可以帮助改进客服人员的沟通技巧和解决问题的能力，提升客服质量，确保用户得到专业、友好和高效的服务。本方案可以通过捕捉对话中商品相关的关键词，有效建模对话中关键的问答信息，进而更加精准地对客服对话中用户的满意度进行评估.本方案是针对电商场景所设计的针对性算法，经过测试在运算速度上能够实时给出用户的满意度，因而便于部署实现；随着未来智能客服不断投入使用，本方案能够给智能客服提供一个精确评估当前用户满意度的算法，从而使得智能客服不断调整对话策略、更新回复方式.

技术特征：

1.基于商品知识图谱的电商平台客服对话用户满意度预测系统，其特征在于：所述预测系统包括商品推理模块、文本挖掘模块以及知识增强模块，

2.如权利要求1所述的基基于商品知识图谱的电商平台客服对话用户满意度预测系统，其特征在于：所述商品推理模块中，使用语义向量余弦相似度匹配以及文本匹配的方法将对话商品映射到商品知识图谱的多个商品上去作为推理所使用的头实体，然后将不同的商品分成十个大类，分别为：电器、办公用品、汽车配件、数码商品、药品、食品、婴儿用品、化妆品、保健品、服装，针对不同的大类，将该大类下最常出现的关系进行统计后筛选出出现频次最高的关系作为推理所使用的关系。

3.如权利要求2所述的基于商品知识图谱的电商平台客服对话用户满意度预测系统，其特征在于：在得到了推理所需要的头实体与关系之后，使用tucker模型进行知识推理，推理尾实体的计算公式如下：

4.如权利要求3所述的基于商品知识图谱的电商平台客服对话用户满意度预测系统，其特征在于：将对话文本进行分词，将用户语句中的词语标记为将客服语句中的词语标记为基于所得到的商品属性集合和分词结果，进行语义相似度匹配抽取对话中商品相关的关键词：

5.如权利要求1所述的基于商品知识图谱的电商平台客服对话用户满意度预测系统，其特征在于：所述文本挖掘模块中，首先进行回合级别的文本编码，针对一个回合t中的客服语句ust和用户语句uut,通过以下公式计算单个回合的文本编码:

6.如权利要求5所述的基于商品知识图谱的电商平台客服对话用户满意度预测系统，其特征在于：在文本挖掘模块进行回合级文本编码后，进行针对文本整体的对话级编码，首先定义多头注意力机制的计算如下所示：

7.如权利要求4所述的基于商品知识图谱的电商平台客服对话用户满意度预测系统，其特征在于：所述知识增强模块中，首先将用户关键词和客服关键词进行语义编码得到表征向量，编码计算方式如下：

8.如权利要求7所述的基于商品知识图谱的电商平台客服对话用户满意度预测系统，其特征在于：所述知识增强模块中，对损失函数进行训练，使其最小，进而优化模型各个模块的参数,损失函数定义如下：

9.一种基于商品知识图谱的电商平台客服对话用户满意度预测方法，其特征在于，采用权利要求1-8任意一项所述的基于商品知识图谱的电商平台客服对话用户满意度预测系统，所述方法包括如下步骤：

技术总结本发明公开了一种基于商品知识图谱的电商客服对话用户满意度预测方法，包括：商品知识推理模块用于将对话中涉及的商品映射到知识图谱中的多个实体上，同时选择出与该商品最相关的各类关系，通过知识推理模型进行尾实体预测，然后将得到的尾实体与对话中的词语进行语义相似度匹配，文本挖掘模块则通过使用预训练语言模型进行对话回合内、回合间语义编码表征，该模型既能够关注到回合内的关键信息，又能够将多个回合之间的历史信息进行整合；知识增强模块通过使用注意力机制将对话商品信息、关键词信息和文本表征进行多角度融合，从不同的侧面进行建模用户的最终满意度，为平台方增进用户粘性、提升客服服务质量提供有效参考依据。技术研发人员：王帅,刘尧畅,林丽,夏凯文受保护的技术使用者：东南大学技术研发日：技术公布日：2024/9/17