NLP包括兩個(gè)組成部分：自然語(yǔ)言理解（NLU）和自然語(yǔ)言生成（NLG）。NLU將自然語(yǔ)言輸入映射成有用的表示，用于處理和分析，而NLG則將表示轉換成自然語(yǔ)言。
在某些方面，這些技術(shù)已經(jīng)過(guò)時(shí)了。1972年，計算機科學(xué)家羅伯特·默瑟（RobertMercer）和彼得·布朗（Peter Brown）提交了他們的第一個(gè)NLP相關(guān)專(zhuān)利申請。但隨著(zhù)可負擔得起的高性能計算平臺的出現，這些技術(shù)現在可以快速地支持實(shí)時(shí)響應，以實(shí)現舒適的人機交互，并可用于客戶(hù)參與。在實(shí)際操作中，這意味著(zhù)在不到300毫秒的時(shí)間內提供會(huì )話(huà)響應的能力。
如果會(huì )話(huà)接口是你的目標，那么你應該NLU和NLG一起使用。但是，你仍然可以在單獨使用這些組件時(shí)找到實(shí)用程序。例如，要求IVR將資金從一個(gè)帳戶(hù)轉移到另一個(gè)帳戶(hù)只需要NLU。音頻確認需要NLG。
理解NLU
以下是對NLU平臺一些功能的描述。
辨別意圖：客戶(hù)的意圖可以通過(guò)處理一個(gè)完整的話(huà)語(yǔ)來(lái)辨別。然而，在客戶(hù)參與環(huán)境中，語(yǔ)法完整的句子并不是常見(jiàn)的，因此你需要使用上下文和元數據元素來(lái)管理會(huì )話(huà)，從而獲得成功的結論。例如，當試圖檢索股票報價(jià)時(shí)，客戶(hù)可能會(huì )問(wèn)：“告訴我現在的字母表交易是多少？”這臺機器捕捉到了這些信息，應用了語(yǔ)境理解，并做出回應：“字母表的交易價(jià)格是1055.82美元。”客戶(hù)的意圖是檢索股票報價(jià)。
消除歧義：與其他形式的會(huì )話(huà)AI相比，客戶(hù)約定不太容易產(chǎn)生不確定性，因此往往不需要經(jīng)常消除歧義。這是因為交互關(guān)注的是一組客戶(hù)屬性、產(chǎn)品或服務(wù)，而不是整個(gè)宇宙。這并不意味著(zhù)客戶(hù)永遠不會(huì )說(shuō)一些模棱兩可或矛盾的東西，比如“把我的訂單發(fā)到我的家庭地址，不，讓我再想想，請把它發(fā)到我的工作地址。”這使得機器可以消除混淆的消息傳遞。在這種情況下，你需要你的人工智能助手來(lái)背書(shū)確認：“只是確認一下，你是想把你的訂單發(fā)到你的工作地址嗎？”此確認步驟將為機器提供正確的確認，這可以用來(lái)防止在機器學(xué)習過(guò)程中產(chǎn)生進(jìn)一步的誤解。
術(shù)語(yǔ)提取：每個(gè)行業(yè)都有一些獨特的術(shù)語(yǔ)。科技行業(yè)更是如此，一個(gè)例子就是電話(huà)中的“端口”。如果客戶(hù)想把電話(huà)號碼從一個(gè)手機移動(dòng)到另一個(gè)手機，他可能會(huì )說(shuō)：“請將電話(huà)號碼410-555-1212從T-Mo發(fā)送到下面的SIM卡123-4545-4545-9865.”有了正確的理解，機器將從這個(gè)句子中提取單詞“port”和SIM值，這樣它就可以執行一個(gè)機器人程序，將數字移動(dòng)到新的SIM卡上。類(lèi)似地，機器將知道“T-Mo”是指載波T-Mobile，并將開(kāi)始接觸，所以數字會(huì )被釋放到新的載體上。
翻譯：在客戶(hù)參與環(huán)境中使用翻譯通常不是一個(gè)好主意。相反，最好的選擇是選擇一個(gè)處理語(yǔ)言的NLU/NLG解決方案。例如，將客戶(hù)的請求從德語(yǔ)翻譯成英語(yǔ)，然后用英語(yǔ)處理回復，并將其翻譯成德語(yǔ)，這不是好的方法。
解析：NLP解析的一個(gè)流行的例子是對句子的解釋?zhuān)?ldquo;我看見(jiàn)一個(gè)拿著(zhù)望遠鏡的女孩。”是我用望遠鏡去看那個(gè)女孩，還是我看到的那個(gè)拿著(zhù)望遠鏡的女孩？客戶(hù)約定很少需要解析語(yǔ)句來(lái)確定意義，因此，提出一個(gè)示例是很困難的。因此，一個(gè)解析算法比一個(gè)必須擁有的NLP特性更適合于客戶(hù)參與平臺。
詞干：這個(gè)過(guò)程是用來(lái)解釋錯誤的或讀錯的單詞，以及縮短程序來(lái)理解意圖所需的時(shí)間。考慮如下：“我想轉移資金（I want to have funds transferred）。”'轉移（transferred）'的詞干是“轉移（transfer）”。如果你調優(yōu)機器以考慮所有形式的“轉移”，那么你就可以節省時(shí)間，不必手工編寫(xiě)每一單詞的所有形式。
命名實(shí)體提取：之前在我的股票交易示例中涉及到理解意圖。在客戶(hù)詢(xún)問(wèn)字母表的股票價(jià)格后，他可能會(huì )說(shuō)：“亞馬遜怎么樣？”這臺機器維護了語(yǔ)境，并說(shuō)：“亞馬遜的交易價(jià)格是1522.32美元。”“亞馬遜怎么樣？”可能不是指股票價(jià)格，而是關(guān)于亞馬遜雨林信息的查詢(xún)請求。通過(guò)使用命名實(shí)體提取，機器能夠提供與會(huì )話(huà)上下文匹配的響應。
一些NLP解決方案提供了公開(kāi)使用的命名實(shí)體的詳細列表，例如在我的示例中使用的公司名稱(chēng)，但是其他的沒(méi)有。即使有一個(gè)提供的列表，你的業(yè)務(wù)中的命名實(shí)體可能與其他實(shí)體不同，因此你需要特別注意構建你的列表。除了公司名稱(chēng)，命名實(shí)體列表還應該包括產(chǎn)品、城市、國家、供應商和流程的名稱(chēng)，包括任何可能出現的命名實(shí)體，并幫助機器在客戶(hù)交互過(guò)程中提供更快、更準確的響應。
主題分割：建立一個(gè)傳統的知識庫涉及到一個(gè)手工的過(guò)程來(lái)處理內容和確定主題和子主題。NLP解決方案可以通過(guò)一個(gè)主題細分過(guò)程自動(dòng)化這個(gè)工作，這個(gè)過(guò)程決定了文檔的哪個(gè)部分適用于特定的客戶(hù)請求。為了達到速度的目的，最好提前執行主題分割，并在所有知識內容上生成標記，這樣你的機器就能在客戶(hù)請求時(shí)更快地呈現正確的知識。
辨別情緒：情緒分析在聯(lián)絡(luò )中心有很多用途。作為一個(gè)提供管理解決方案的關(guān)鍵，很難復制。分析單詞和標點(diǎn)可以幫助確定文本交互中的情緒。語(yǔ)音交互在情感分析中增加音高和音量，而視頻接口則將面部表情引入分析。一些供應商提供上述所有的服務(wù)，但許多供應商沒(méi)有。如果你對情緒分析感興趣，那么一定要了解你選擇的供應商在這方面的能力。
內容總結：總結是客戶(hù)參與環(huán)境中一個(gè)有趣的工具。對于它的Watson NLU引擎，IBM收取0.003美元來(lái)總結一份10，000字符的文檔，并總結一個(gè)客戶(hù)的八個(gè)字的表達。針對客戶(hù)交互的NLP解決方案通常是針對這些簡(jiǎn)短的話(huà)語(yǔ)進(jìn)行調整的。
在客戶(hù)服務(wù)環(huán)境中，摘要總結是一種統計工具。它可以有效地取代呼叫處理過(guò)程，為聯(lián)絡(luò )中心的運營(yíng)經(jīng)理提供接近實(shí)時(shí)的洞察，了解客戶(hù)的需求。我知道當我在經(jīng)營(yíng)一家藥店的福利項目時(shí)，我會(huì )發(fā)現一個(gè)NLU的總結工具。例如，某一天下午4點(diǎn)，呼叫量比平常增長(cháng)三倍。事實(shí)證明，這是退休人員去郵箱的時(shí)間，而我們的一個(gè)杰出的營(yíng)銷(xiāo)人員已經(jīng)發(fā)送了大量的郵件，上面寫(xiě)著(zhù)：“你的福利可能會(huì )受到威脅。”一旦我們發(fā)現了這個(gè)問(wèn)題--兩個(gè)小時(shí)之后--我們迅速推出了一個(gè)腳本，這樣所有的座席都能更有效地處理這些呼叫。如果我們有一個(gè)NLU總結工具，我們可以在幾分鐘內確定這個(gè)趨勢。
內容標記：當聯(lián)絡(luò )中心使用大量非結構化數據來(lái)支持客戶(hù)交互時(shí)，標記內容是必需的。在標簽上搜索比在知識庫中搜索所有內容要快得多，這意味著(zhù)座席--虛擬的或真人的--可以比不添加內容標記更快地向客戶(hù)傳遞正確的答案。
分類(lèi)：分類(lèi)用于識別某些類(lèi)型的詞。如果你從事抵押貸款服務(wù)業(yè)務(wù)，那么哥倫布可能指的是一個(gè)地方，而不是一個(gè)人。類(lèi)似于目的和功能的命名實(shí)體，基于NLP的分類(lèi)法對于具有非常廣泛的產(chǎn)品目錄的企業(yè)來(lái)說(shuō)是很有用的。這些工具可以減少客戶(hù)在處理成千上萬(wàn)的產(chǎn)品時(shí)可能發(fā)生的混亂，同時(shí)節省時(shí)間。
掌握NLG
在客戶(hù)參與中，NLG通常被理解為一個(gè)復雜的定向對話(huà)實(shí)現。接口向用戶(hù)公開(kāi)的響應或后續問(wèn)題是利用NLG創(chuàng )建的。具體來(lái)說(shuō)，NLG處理器將文本公開(kāi)給用戶(hù)（如在Web聊天中），或者向用戶(hù)提供的一種中間技術(shù)，像TTS（如在IVR或語(yǔ)音計算中），產(chǎn)生了用戶(hù)可以聽(tīng)到的語(yǔ)音。
如果你打算使用語(yǔ)音接口，那么你應該將一些思想引入到TTS（文本到語(yǔ)音）解決方案中。標點(diǎn)、性別、能量、壓力、音素長(cháng)度、語(yǔ)調、音節和聲調都可以影響你向客戶(hù)展示的溝通質(zhì)量。雖然你可能并不一定想要探索這些因素背后的算法，但是你肯定想要傾聽(tīng)這個(gè)接口，并確定什么對你和你的團隊來(lái)說(shuō)是好的。
選擇
如果你仍在閱讀，那么你可能正在考慮在你的聯(lián)絡(luò )中心內實(shí)現NLP。你有很多選擇，現在有1000多家公司提供NLP服務(wù)。有些具有預先構建的功能，支持我上面描述的特性，而另一些則需要你構建自己的特性。好消息是，隨著(zhù)聯(lián)絡(luò )中心技術(shù)的發(fā)展，沒(méi)有一種技術(shù)是非常昂貴的。但是，有些工具的實(shí)現和管理可能比其他的更昂貴。選擇最能支持業(yè)務(wù)的平臺或產(chǎn)品是成功的關(guān)鍵。
聲明:版權所有 非合作媒體謝絕轉載
作者：Chris Vitek
原文網(wǎng)址：https://www.nojitter.com/post/240173441/nlp-in-your-contact-center-what-you-need-to-know
