2018年底，薄言RSVP.ai助力京东服务提升，在京东商城上线了一款基于深度语言理解的智能客服风控系统，合作论文最近被NLP顶会NAACL2019工业板块接收。
该人工智能系统能够实时阅读客服人员与消费者关于商品的聊天记录（已脱敏），识别双方的情绪变化以及出现的问题，并及时将风险较高的案例送交到客服管理中心优先处理，极大的提升了产品售后服务的效率。
根据京东上线后的数据统计，这项工作为企业带来了三方面的价值：
1、降低了商城的越级投诉（315、工商局等监管部门），也降低了社交媒体上负面的评价。
2、风险值排序，降低了客服中心外呼的人力成本。
3、预先识别潜在的商品质量问题。
论文请点击
智能客服风控系统有效预测售后风险
近年来，消费者对于服务类行业从业者的服务质量需求持续升高。在消费过程中，消费者难免会遇到各种各样的问题。当消费者对服务内容或服务质量不满意时，大部分的消费者会首先联系服务提供商的客服人员寻求解决方案，若问题得不到有效解决，部分消费者可能会选择到监管部门投诉，或将不满情绪发泄到互联网社交网站上，对商家声誉造成负面影响。
对服务提供商来讲，需要及时有效地从大规模的客户群体中探测到小部分客户的不满情绪，并在第一时间解决用户的实际需求，安抚用户的情绪，从而降低越级投诉事件的发生。降低投诉率，提高客户的满意度，对于构建品牌形象，提升品牌忠诚度起到了至关重要的作用。同时，由于客服人员的服务水平和能力良莠不齐，消费者在遇到问题时，如果不能与客服人员进行有效的沟通，就很容易发生越级投诉。实际情况中，很多越级投诉事件的发生与低水平的客服服务直接相关。服务提供商还应考虑如何进行客服质量监控，有效规范客服人员的行为，从客服质量的角度减少越级投诉发生的可能性。
这项工作的主要贡献在于，首次规范化地提出并解决了越级投诉客户识别问题。相比于情感分析问题，越级投诉客户识别问题更具有挑战性。大量的用户会在与客服人员的聊天过程中表现出消极负面的情绪，但并不是所有消极情绪的客户都会到工商部门越级投诉。越级投诉客户的识别重点和难点在于客户真实意图的识别。
我们的模型结合了深度神经网络和传统特征工程方法。广泛使用的深度神经网络模型依赖于深层次的网络结构，而传统的特征工程方法通过人工提取特征的方法，可以捕捉到很多对话文本特征和非对话统计特征。两者结合的优势在于：传统特征学习对高频特征敏感，可以避免过度拟合；而深层神经网络可以探索到深层语义，对数据处理过程和特征的依赖较少。
上图中展示了我们的混合模型(FAN)结构：深层神经网络部分，我们利用双向长段记忆网络(Bi-LSTM)结合注意力机制，捕捉到时序对话窗口中的深层语义特征，结合手工提取的外部特征，共同输入最后的Softmax网络层。手工提取特征包括：表情图标使用个数、特殊标点符号使用个数、语句长度和字数、情感分析分数、投诉词典中词语出现次数等。
在京东的实际用户数据中，我们对模型效果进行了测试。测试分为线下历史数据验证测试和线上实时预测测试。测试方法使用了在预测名单前K名的召回率(Recall@K)，即预测名单中覆盖到的实际越级投诉人数比例。线下历史数据验证部分，我们对比了几种经典的模型算法及解决方案，实验结果显示，我们的混合模型明显优于传统特征工程使用的逻辑回归模型、树状结构模型以及单独的深度网络模型。线上实时预测的结果跟线下模拟数据的结果基本保持一致。
由于实际使用中，系统处理的无越级投诉风险客户数据与越级投诉客户数据比例悬殊，我们还在实验过程中测试了模型训练的负样本采样比例对模型效果的影响。具体结果请参考论文中的实验结果。
我们希望通过这项工作，更好地将深度学习应用于实际工业产品中，在理论研究与实际应用中间建立一座桥梁，同时也能设计和开发出更多贴合实际应用的算法模型来。对于识别越级投诉客户这样的具体问题，我们通过结合传统特征工程与深度学习，展示出了薄言研发团队的业界领先水平。
薄言RSVP.ai致力于语义理解、多轮对话、阅读理解的基础研发，推出薄言轻语平台，助力企业智能客服升级，包括任务驱动对话、风险控制、客户行为分析和文本阅读理解，敬请期待我们后续的工作。
end
— 笔者简介 —
谭璐辰博士，薄言RSVP.ai研发总监，硕士毕业于上海交通大学，博士毕业于滑铁卢大学，专注信息检索和数据挖掘。多次发表SIGIR、CIKM、ACL、NAACL、TKDE，曾在TREC Microblog竞赛中获得第一名。
