SCI论文（www.lunwensci.com）
摘 要 ：互联网时代的今天,社会化媒体不仅改变了个体间的交流方式,并在重新定义着企业与顾客之间的交流方式。目 前,微信作为国内应用最为广泛的移动社交平台之一,已经为越来越多的企业所看重。微信用户产生的海量行为信息对产品的 推荐、品牌的推广、口碑的传播起到了积极推动作用,促使微信营销呈现爆发式发展态势。企业为了更加便于激活、运营客 户,会将客户引入另一个流量载体—企微。企微托管系统可连接小程序、公众号、企业微信粉丝三位合一,实现全渠道客户 管理,打造真正的私域流量。同时,通过客户画像 + 互动雷达等技术,精准把握客户动态,全面分析客户需求,提高营销成功 率 ;实现智能话术推荐,规范营销用语,提高服务质量。
Research on Intelligent Capability of Enterprise Micro Hosting SystemBasedonTelecommunication Field
WANG Ming, CHEN Xi, SHI Junhui, OU Jiaxian, MA Junhua
(China Telecom Corporation Guangzhou Branch, Guangzhou Guangdong 510000)
【Abstract】： In the age of Internet, social media not only changes the way of communication between individuals, but also redefines the communication between enterprises and customers. At present, WeChat, as one of the most widely used mobile social platforms in China, has been valued by more and more enterprises. The behavior information generated by the huge WeChat user group has played a positive role in purchase behavior, brand promotion and word-of-mouth communication, which promotes the explosive development of WeChat marketing. In order to activate and operate more easily, enterprises will introduce customers into another social platform: WeCom. The enterprise micro hosting system can connect applets, official account and enterprise WeChat fans in one to achieve omni channel customer management and create real private domain traffic. At the same time, through technologies such as customer portrait + interactive radar, accurately grasp customer dynamics, comprehensively analyze customer needs and improve marketing success rate; Realize intelligent speech recommendation, standardize marketing terms, and improve service quality.
【Key words】：telecommunications;enterprise micro hosting system;intelligent capability
0 引言
企微托管系统基于电信 10000 号知识库, 一户一 案策略库搭建营销知识体系,构建一键营销, 一键服务 体系。如图 1 所示,通过对话引擎、语义引擎、推荐引 擎、调度引擎和构建服务能力,实现服务效率、客户洞 察、商机营销和监控调度业务能力的总体提升 [1-3]。
通过研究会话小结、热词捕捉、情感分析以及在线 推荐等智能化能力,可以提升企微托管系统的客户服务能力水平。
1 能力一：会话小结能力
1.1 会话小结流程
对托管客服和客户的会话进行归纳总结,建立企微服 务分类体系,实现对服务内容的感知分类,进而对客户更 关注的内容有更多认知。会话小结流程图如图 2 所示。
1.2 文本分类算法实现
该能力主要使用文本分类算法实现,作为自然语言处理中最基本,也是最重要的任务,文本分类在过去十 年里研究激增。目前已有的文献提出了许多方法,如 ： TextCNN、TextRNN(BiLSTM)以及 TextRCNN (BiLSTM+ 池化)等。基于客户服务业务场景和多次测 试结果, 最终采用 TextRCNN(BiLSTM+ 池化)建模 方法。
文本分类处理的文本可以是以一个句子,文档(短 文本,若干句子)或篇章(长文本),因此每段文本的 长度都不尽相同。在对文本进行分类时,需要指定一个固 定的输入序列 / 文本长度。该长度可以是最长文本 / 序 列的长度,此时其他所有文本 / 序列都要进行填充以达 到该长度 ;该长度也可以是训练集中所有文本 / 序列长 度的均值,此时对于过长的文本 / 序列需要进行截断, 过短的文本则进行填充。总之,要使得训练集中所有的 文本 / 序列长度相同,除之前提到的设置外,该长度也 可以是其他任意合理的数值。在测试时,也需要对测试 集中的文本 / 序列做同样的处理。
RNN 是一种能够处理序列数据的神经网络。假设 训练集中所有文本 / 序列的长度统一为 n,首先需要对 文本进行分词,并使用词嵌入得到每个词固定维度的向 量表示。对于输入文本中的每个单词, RNN 都会在每个时间步长上输入一个单词的向量表示,计算当前时间 步长上的隐藏状态,该隐藏状态会用于当前时间步骤的 输出以及传递给下一个时间步长。在下一个时间步长 上,该隐藏状态将与下一个单词的向量一起作为 RNN 单元的输入,并计算下一个时间步长上的隐藏状态。这 个过程会一直持续,直到处理完输入文本中的每个单 词。这样, RNN 能够捕捉到序列中的时序信息,并在 处理序列数据的任务中发挥重要作用。
在 TextCNN 网络中,网络结构是“卷积层 + 池化 层”的形式,卷积层用于提取 N-Gram 类型的特征,在 RCNN 中,使用 BiLSTM 完成语义上的特征提取,后 接池化层对其进行特征的最大值提取,整体结构变为了 RNN+ 池化层,因此,该结构被称为 RCNN。
(1) 输入层。在 RCNN 模型中,输入层对每个词 的左右各一个词也进行了输入,对应 3 个输入通道。如 [' 我 ', ' 爱 ', ' 学习 '] 这个文本, 当输入 ' 我 ' 时, 需要 输入它的左右词 ：['0', ' 我 ', ' 爱 '],以此类推。因此,代 码的训练数据有三份, 一份是正常数据,另外两份分别 是左右偏移一位的数据。这三个词都会输出到相同的 Embedding 矩阵中, 输出三个词的 Embedding 到后序 结构中。(2)RNN 层。通过将左边词语的 Embedding 输入到一个前 向 LSTM, 右边词语 的 Embedding 输 入到反向 LSTM,以此获取词汇的上下文信息。然后将 当前词语的 Embedding 向量与前后词经过 LSTM 输出 的两个向量进行拼接, 得到 50+128+128=306 维的向量。 (3) 池化层。对拼接后的特征使用 1Dmaxpooling 进行 池化,取每个维度中所有词语特征的最大值作为该维度 的特征, 最终输出 64 维特征。(4)输出层。使用全连 接层, Softmax 作为激活函数进行输出。该模型的建模 过程包括几个步骤 ：1)分割对话 ：利用存储过程,将 不同电信企微粉丝与其对应客户经理的对话切割为多段 完整对话,标记对话 ID。2)对话打标分类 ：人工辅助, 对样本对话的场景进行分类打标。3)对话拼接 ：根据 对话的实际情况,将分散的句子合并为完整对话。4) 预训练词向量引入 ：以 Wiki 语料为基础,引入相关的 词向量模型。5)模型训练 ：使用 TextRCNN 算法,对 文本内容和所属类别进行拟合训练。6)测试评分 ：使 用训练出来的模型对样本进行测试,得出模型评分。
2 能力二：热词捕捉能力
通过关键字提取算法,准确捕捉电信企微粉丝需 求,聚焦客户关心关注的热门问题,实现客户问题的快 速响应与解决。关键字提取流程图如图 3 所示。
TextRank 是一种提取短语和自动摘要的关键词提取算法。该方法由 PageRank 改进而来,其公式如式(1)所示,权重项 Wji 表示两个节点之间边连接的重要程度。
TextRank 是一种关键词提取算法,其具体实现步 骤如下 ：
(1)对目标文本进行完整句子的分割,得到若干个 句子。
(2)对每个句子进行分词, 并对词性进行处理, 去 除停用词,保留名词、动词、形容词等指定词性的单 词,形成候选关键词。
(3)构建候选关键词图如式(2)所示 ：
G = (V, E) (2)
将由式(2)生成的候选关键词组成节点集 V,采 用共现关系(Co-occurrence) 构造任意两点之间的 边,仅当它们对应的词汇在长度为 K 的窗口中共现时, 两个节点之间存在边, 即最多共线出 K 个与窗口大小一 致的单词。
(4)根据计算公式迭代传播不同节点的权重, 一直 到权重收敛。
(5)对节点权重倒过来进行排序,把最重要的若干 个单词,标为候选关键词。
(6)由(5)得到最重要的 T 个单词,在原始文本 中标记出选定的关键词,若形成相邻词组,则组合成多 词关键词。
3 能力三：情感分析能力
自然语言处理中一个很重要的研究方向是语义的情 感分析 (Sentiment Analysis), 情感分析指通过对给 定文本的词性分析,判断该文本是消极的还是积极的过 程。情感分析的应用场景非常广泛,在购物网站或者微 博中,买家会对购买的商品进行评价,当需要大规模的 情感分析时,人工处理能力十分有限,商家可以利用情 感分析工具辅助分析用户对产品的使用体验和评价。情 感分析的本质就是根据给出的文本,分析文本中表达的 情感导向是偏向正面的还是负面的。处理好情感分析, 有助于提高人们对于事物的理解效率,也可以利用情感 分析的结论辅助托管人员对客户进行营销或服务。
目前国内外大部分较为成熟和有效的情感分析方法 是基于英文文本,对于中文文本分析的相关应用研究相 对较少。中文文本分词的复杂度比英文文本高,在处理 上存在差异。本文采用 Self-attention 结合全连接神经 网络对中文短文本做出情感分析的判断。首先,对短文 本进行词向量化表示,然后采用自注意力机制提取文本 上下文关系特征,最后接入全连接网络层,输出得到情 感得分。情感分析流程图如图 4 所示。
情感分析模型的建模过程包括几个步骤 ：(1)预处 理输入语句,准备输入数据 ;(2)初始化网络权重 ;(3) 获取 Key、Query 和 Value ;(4)为第 1 个输入计算注 意力分数 ;(5)输出值输入激活函数 Softmax 得到分数 ; (6)将分数乘以业务固定的 Values ;(7)对权重化后 的 Values 求和,得到输出 1 ;(8)对其余的输入,重 复第 4 ～ 7 步 ;(9) 把 Self-Attention 处理得到的结果 作为全连接神经网络的输入参数,得出情感分数。
4 能力四：在线推荐能力
随着业务的发展, 为满足用户的差异化需求, 电信 套餐的设计变得越来越多样化。但目前因为套餐信息过 载和不对称,导致用户较难从大量的套餐中选择符合自 己需求的产品。因此在企微托管人员与客户聊天过程中 及时发现商机并进行转化的过程十分重要。该研究通过 深入了解用户的消费习惯,建立用户消费行为模型,对 用户进行个性化产品及套餐推荐。然后基于用户的消费 行为模型和资费套餐信息,在聊天过程中出现商机时, 即可做出较为符合用户个人偏好的套餐推荐。在线推荐 流程图如图 5 所示。
该模型首先根据用户的消费行为和习惯,选择用户 的特征向量。接着从这些特征向量中计算出目标用户的 相似用户集合,然后将这些相似用户使用的套餐集作为初始套餐推荐集。在考虑套餐资费模型的基础上,结合 用户的特征向量和初始套餐推荐集,为用户选择最优的 套餐,最终生成用户的套餐推荐列表。通过这种方法, 企业微信托管在聊天过程中出现商机时,能够快速精准 地推荐符合用户个人偏好的套餐,提升用户体验,增加 营销转化率。
结合实际业务标签使用方式表示 ：A 类标记用户的 基本属性 ;B 类标记用户的套餐属性 ;C 类标记用户的 消费属性 ;“v+ 标记符号”表示字段值。推荐模型字段 如表 1 所示
这里表示用户消费行为的方法是基于向量空间模型 的方法,如式(3)所示 ：
{(C1. vC1), (C2. vC2), (C3. vC3),...} (3)
式(3) 中的C1 是字段,也可以叫做特征, vC1是 字段的值,也就是C1 指标的观测值。
用户相似度需要考虑语音和数据业务这两个维度。就 目标用户来说, k(k = 2) 维特征向量{(C1. vC1), (C2. vC2)} 可以用来表示该用户的消费行为。这里的C1 是用户消 费的通话时长, vC1就是通话时长的实际数值, C2是用 户消费的数据流量, vC2是数据流量的实际数值。
汇总用户特征后, 就要对目标用户进行推荐, 此处 使用协同过滤的推荐方法进行推荐。这个模型算法对于 一个目标用户,找出其用户集 R 的过程步骤如下 ：
(1)对比上面简述的特征向量,在目标用户集 U 和 用户集 R 的所有消费数据中,提取对应字段特征,并得 到用户特征向量值。
(2)在目标用户集 U 中随机抽取一个用户 u,用如 式(4)所示的公式来计算用户 u 与 R 中每一个用户 r 的相似度距离,公式里的vCiu 和vCir 分别表示用户 u 与用户 r 特征向量的第 i 个关键字的观察值。
取j = 1.2. …, m ,就能计算出用户 u 和用户集 R 的 相似度距离{S1 , S2 , …, Sm}。
(3) 把 m 个相似度距离由小到大进行排序,选择最 前面的 5 个作为用户 u 的相似用户集合,并用 Nu 表示。
(4) 找到 Nu 对应的套餐编码,并从中去除重复的 套餐编码,就可以得到用户 u 的套餐推荐集 Tu。
(5)选择用户集 U 中的下一个用户重复(1)-(4) 的步骤,直至得到所有目标用户的套餐推荐集。
经过应用协同过滤推荐方法,得到了每一个电信用 户可能感兴趣的套餐推荐集。当企业微信托管在与这些 用户聊天时,如果发现商机,可以根据用户的套餐推荐 集进行个性化营销。这将有助于提高客户的满意度和促 进销售的增长。
5结语
本文分析了当前国内企微营销的现状,设计企微 托管系统,实现了四大智能化能力 ：(1)会话小结能 力。使用 TextRCNN 算法,对会话内容进行语义分析 并对其分类。(2)热词捕捉能力。通过关键字提取算 法 TextRank,实现客户需求的准确捕捉,聚焦于客户 关心关注的热门问题,使客户提出的关键问题得到更快 解决。(3) 情感分析能力。使用 Self_attention+ 全连 接网络模型结构,对客户消息进行情感评分,实时捕捉 客户的情感变化。(4)在线推荐能力。基于协同过滤算 法,构建了基于用户消费行为的套餐推荐体系,使套餐 推荐变得更加高效、准确、智能化。
参考文献
[1] 薛美琦.基于协同过滤技术的物品选购推荐系统设计[D].成 都:电子科技大学,2019.
[2] 江伟.基于深度学习的文本分类[D].南京:南京理工大学,2018.
[3] 胡月永.基于Word2Vec,LSTMs和Attention机制的中文情 感分析研究[D].兰州:兰州大学,2018.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/67871.html
