Learning State-Dependent Policy Parametrizations for Dynamic Technician Routing with Rework
Otto-von-Guericke-Universität Magdeburg(马格德堡奥托·冯·格里克大学);Tippie College of Business(蒂皮商学院);University of Iowa(爱荷华大学)
本文针对带返工的动态技术员路径规划问题,提出基于强化学习的状态依赖策略参数化方法,以集成方式平衡路径效率、服务紧迫性与返工风险,并证明少量非完美分配能提升整体服务质量。
2024-09-03 cs.AI
Effective user intent mining with unsupervised word representation models and topic modelling
Smith School of Business, Queen’s University(女王大学史密斯商学院)
了解客户和客户服务代理之间聊天背后的意图已经成为一个至关重要的问题,如今由于来自不同文化和教育背景的人使用互联网的指数增长。更重要的是,电子商务的爆炸式增长导致客户和代理商之间的文本对话大幅增加。在本文中,我们提出了一种数据采掘的文本数据背后的会话意图的方法。使用客户服务数据集,我们训练无监督的文本表示模型,然后开发一个意图映射模型,将预定义的意图之间的余弦相似度的基础上排名的句子和意图。主题建模技术用于定义意图,领域专家也参与解释主题建模结果。通过这种方法,我们可以很好地理解未标记的客户服务文本数据背后的用户意图。
2021-09-04 cs.AI
Can Small Language Models Handle Context-Summarized Multi-Turn Customer-Service QA? A Synthetic Data-Driven Comparative Evaluation
School of Computing, Informatics Institute of Technology(计算学院,信息学院技术研究所);School of Mathematics and Computer Science, Swansea University(数学与计算机科学学院,萨默塞特大学);R&D, Zame AI(Zame AI研发部)
本文通过合成数据评估小语言模型在多轮客户服务问答中的表现,发现部分模型接近大语言模型性能,但整体仍存在对话连续性和上下文对齐的挑战。
2026-08-04 cs.AI cs.CL
Generative AI in Action: Field Experimental Evidence from Alibaba's Customer Service Operations
Fudan University(复旦大学);Zhejiang University(浙江大学);Dartmouth College(达特茅斯学院);Alibaba Group Inc.(阿里巴巴集团)
本研究通过大规模实地实验评估生成AI助手对电商售后客服人员绩效的影响,发现AI显著提升服务速度和服务质量,但对顶级员工产生负面影响,提示需定制化部署策略。
2026-08-03 cs.AI cs.HC
A Measure for Dialog Complexity and its Application in Streamlining Service Operations
IBM T J Watson Research Center(IBM T·J·沃森研究中心)
对话是服务行业中客户和企业之间互动的自然方式。当客户呼叫服务提供商时,他们的交互可能是常规的或特殊的。我们相信,当这些互动被视为对话时,可以进行分析,以更好地了解客户需求以及如何有效地解决这些问题。我们引入了对话复杂性度量的概念来表征多方交互,提出了一种通用的数据驱动方法来计算它,用它来发现公共和企业对话数据集中的见解,并展示了它在促进更好地处理客户请求和评估服务代理方面的有益用途。
2017-08-04 cs.AI cs.CL
Customer Service Representative's Perception of the AI Assistant in an Organization's Call Center
Guangxi Power Grid Co., Ltd.(广西电力集团有限公司);Tsinghua University(清华大学);Beijing Normal University(北京师范大学);China Academy of Art(中国美术学院);Nankai University(南开大学)
本研究通过实地访谈13名电网呼叫中心客服代表,揭示AI助理在减轻打字记忆等传统负担的同时,也带来了挣取、合规和心理等新负担,深化了对组织环境中AI整合及员工适应代价的理解。
2025-07-01 cs.AI cs.CY cs.HC
Predicting Customer Goals in Financial Institution Services: A Data-Driven LSTM Approach
Washington University in St. Louis(圣路易斯华盛顿大学);J.P. Morgan AI Research(摩根大通人工智能研究院)
本文针对金融机构中预测客户目标与行为的问题,提出基于LSTM及状态空间图嵌入增强的LSTM模型,并利用真实模拟器生成的历史轨迹验证了其有效性。
2024-05-22 cs.AI cs.CE q-fin.ST
Natural Language Processing in Customer Service: A Systematic Review
King Saud University(沙特国王大学)
人工智能和自然语言处理(NLP)越来越多地用于客户服务,与用户互动并回答他们的问题。本系统综述的目的是检查现有的研究在客户服务中使用NLP技术,包括研究领域,应用,使用的数据集和评估方法。审查还着眼于该领域的未来方向和任何重大限制。该综述涵盖了2015年至2022年的时间段,包括来自五个主要科学数据库的论文。聊天机器人和问答系统被发现用于10个主要领域,其中最常见的是社交网络和电子商务领域。Twitter是第二个最常用的数据集,大多数研究也使用自己的原始数据集。准确率、精确率、召回率和F1是最常用的评价方法。未来的工作旨在提高用户行为和情感的性能和理解,并解决数据集的数量,多样性和质量等限制。这篇综述包括对不同口语的研究以及模型和技术。
2022-12-16 cs.AI cs.CL
Orchestration-Free Customer Service Automation: A Privacy-Preserving and Flowchart-Guided Framework
Hong Kong Polytechnic University(香港理工大学)
本文提出一种无编排的客户服务自动化框架,利用面向任务的流程图实现端到端自动化,通过本地部署和去中心化蒸馏提升隐私保护与泛化能力。
2026-02-17 cs.AI cs.CL
When Should Service Agents Reconsider? Difficulty-Routed Control in Customer-Service Operations
The Pennsylvania State University(宾夕法尼亚州立大学)
提出一种难度路由的服务控制架构,通过轻量级路由器将常规会话与操作耦合会话分流,在关键后端写入前集中审查,提升零售和航空任务的可靠性。
2026-07-07 cs.AI cs.CL
Universal Model in Online Customer Service
Amazon(亚马逊公司)
本文提出一种无需训练的通用模型,通过构建问题-标签存储库并结合信息检索与统计分析来预测客户问题标签,从而降低模型开发成本并缩短周期。
2024-02-24 cs.AI cs.IR cs.LG
Don't get Lost in Negation: An Effective Negation Handled Dialogue Acts Prediction Algorithm for Twitter Customer Service Conversations
IBM-Research, Almaden(IBM阿尔马登研究中心);UC Santa Cruz(加州大学圣克鲁兹分校)
在过去的几年里,Twitter被公司作为与客户互动的替代平台,以解决他们的问题。随着这种非传统的会话资源的丰富,开发有效的虚拟代理比以往任何时候都更加迫切。为了应对这一挑战,需要更好地了解此类客户服务对话。最近,有几个作品提出了一种新的分类细粒度的对话行为,以及开发算法自动检测这些行为。这些工作的成果为建立高效和有效的虚拟代理的最终目标提供了垫脚石。但这些作品都没有考虑处理的概念,否定到所提出的算法。在这项工作中,我们开发了一个基于SVM的Twitter客户服务对话的对话行为预测算法,其中否定处理是端到端解决方案的一个组成部分。对于否定处理,我们提出了几种有效的算法,并采用了最新的基于第三方机器学习的解决方案。从经验上讲,我们在处理否定时显示了模型的性能增益,而不是当我们不处理时。实验表明,对于非正式文本,如推文,基于语义的方法是更有效的。
2018-07-16 cs.AI cs.CL
AliMe KBQA: Question Answering over Structured Knowledge for E-commerce Customer Service
Alibaba Group(阿里巴巴集团)
随着知识图谱的兴起,基于知识库的问答(KBQA)技术近年来受到越来越多的关注。尽管已经对这个主题进行了大量的研究,但由于商业知识和现实世界的问题可能相当复杂,因此将KBQA技术应用于行业仍然具有挑战性。在本文中,我们提出了AliMe-KBQA,一个大胆的尝试,应用于电子商业客户服务领域的KBQA。为了处理真实的知识和问题,我们扩展了经典的“主-谓-宾(SPO)”结构的属性层次,键-值结构和复合值类型(CVT),并加强了传统的KBQA的约束识别和推理能力。我们在2018年“双11”期间的商家营销推广场景以及之后的其他此类促销活动中推出AliMe-KBQA。在线结果表明,阿里Me-KBQA不仅能够获得更好的解决方案,提高客户满意度,而且由于其提供了更方便和高效的管理体验,成为企业知识员工首选的知识管理方法。
2019-12-12 cs.AI cs.CL
DialogQAE: N-to-N Question Answer Pair Extraction from Customer Service Chatlog
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学);Tencent Cloud AI(腾讯云人工智能);Peking University(北京大学)
从客户服务聊天日志中收集问答(QA)对是在冷启动或持续集成场景中丰富客户服务聊天机器人知识库的有效方法。先前的工作试图从不断增长的客户服务聊天日志中获得1对1的QA对,这未能将来自对话上下文的不完整话语整合用于复合QA检索。在本文中,我们提出了N-to-N QA提取任务,其中衍生的问题和相应的答案可能会在不同的话语分离。我们介绍了一套基于生成/区分标记的方法,这些方法具有端到端和两阶段的变体,在5个客户服务数据集上表现良好,并首次建立了具有话语和会话级别评估指标的N-to-N DialogQAE基准。通过深入分析所提取的问答对,我们发现问答对之间和内部的关系可以作为分析对话结构的指标,例如信息寻求,澄清,闯入和阐述。我们还表明,所提出的模型可以适应不同的领域和语言,并减少劳动力成本的知识积累在现实世界的产品对话平台。
2022-12-14 cs.AI cs.CL cs.IR
Contact Complexity in Customer Service
Amazon(亚马逊)
本文提出一种无需人工标注的机器学习方法,通过训练AI专家模型模仿客服行为并依据其响应不确定性来定义客户联络复杂度,实验证明该方法可靠、可扩展且成本低。
2024-02-24 cs.AI cs.LG
Which Channel to Ask My Question? Personalized Customer Service Request Stream Routing using Deep Reinforcement Learning
School of Software, Shandong University, Jinan 250101, Shandong, China(中国山东省济南市山东大学软件学院,邮编250101);RMIT University, GPO Box 2476, Melbourne VIC 3001 Australia(澳大利亚维多利亚州墨尔本皇家墨尔本理工大学,GPO Box 2476,邮编3001);Alibaba Group, 969 West Wen Yi Road, Hangzhou 311121, Zhejiang, China(中国浙江省杭州市阿里巴巴集团,文一西路969号,邮编311121);School of Computer Science and Engineering, Nanyang Technological University, 50 Nanyang Avenue, Singapore, 639798(新加坡南洋理工大学计算机科学与工程学院,南洋大道50号,邮编639798)
客户服务对所有公司都至关重要,因为它们可能直接关系到品牌声誉。由于客户数量庞大,电子商务公司通常采用多种沟通渠道来回答客户的问题,例如聊天机器人和热线。一方面,每个渠道响应客户需求的能力有限,另一方面,客户对这些渠道的偏好也各不相同。现有的生产系统主要是基于业务规则建立的,只考虑资源和客户满意度之间的权衡。为了实现资源和客户满意度之间的最佳权衡,我们提出了一个新的框架,基于深度强化学习,它直接考虑资源和用户模型。除了该框架之外,我们还提出了一种新的基于深度强化学习的路由方法-双重决斗深度Q学习与优先经验重放(PER-DoDDQN)。我们使用来自一家大型金融科技公司的合成和真实客户服务日志数据来评估我们提出的框架和方法。我们表明,我们提出的基于深度强化学习的框架优于现有的生产系统。此外,我们还证明了我们提出的PER-DoDDQN在实践中优于所有其他深度Q学习变体,这提供了更优化的路由计划。这些观察结果表明,我们提出的方法可以寻求折衷的渠道资源和客户的满意度是最佳的。
2019-11-24 cs.AI cs.LG eess.SP
Enabling Data-Driven and Empathetic Interactions: A Context-Aware 3D Virtual Agent in Mixed Reality for Enhanced Financial Customer Experience
Global Technology Applied Research, JPMorganChase(摩根大通全球技术应用研究部门)
本文提出一种结合混合现实和视觉语言模型的情境感知3D虚拟智能体系统,通过个性化交互与严格隐私标准,提升金融和零售领域的客户服务体验。
2024-10-15 cs.AI cs.ET cs.HC
Enhancing Customer Service Chatbots with Context-Aware NLU through Selective Attention and Multi-task Learning
Walmart Inc.(沃尔玛公司);IISc(印度科学研究院)
本文提出MTL-CNLU-SAWC模型,通过选择性注意机制融合客户查询与订单上下文信息,并结合多任务学习提升客户服务聊天机器人的意图分类准确率,在沃尔玛生产环境中显著减少人工转接并节省成本。
2025-06-02 cs.AI cs.LG
Retrieval-Augmented Generation with Knowledge Graphs for Customer Service Question Answering
LinkedIn Corporation(领英公司)
本文提出将知识图谱与检索增强生成相结合的客服问答方法,通过保留历史工单结构信息提升检索与回答质量,在LinkedIn部署后中位解决时间缩短28.6%。
2024-05-06 cs.AI cs.CL cs.IR
Improving Customer Service with Automatic Topic Detection in User Emails
The Institute for Artificial Intelligence Research and Development of Serbia(塞尔维亚人工智能研发研究所)
本研究提出了一种基于BERTopic的自动化邮件主题检测系统,用于提升客户服务效率,实现了每封邮件0.041秒的快速准确分类,F1分数达0.96。
2025-06-06 cs.AI cs.CL cs.LG
Towards Proactive Information Probing: Customer Service Chatbots Harvesting Value from Conversation
Institute of Data Science, National University of Singapore(新加坡国立大学数据科学研究所);College of Computer Science, Sichuan University(四川大学计算机学院);Engineering Research Center of Machine Learning and Industry Intelligence, Ministry of Education, China(教育部机器学习与产业智能工程研究中心)
本文提出主动信息探测任务,设计PROCHATIP框架,通过优化探测时机提升信息获取效率和服务质量,实验表明其在信息探测和服务质量方面优于基线模型。
2026-04-16 cs.AI cs.CL
Experimental Evaluation of Machine Learning Models for Goal-oriented Customer Service Chatbot with Pipeline Architecture
School of Computing Sciences, College of Computing, Informatics and Mathematics, Universiti Teknologi MARA (UiTM)(玛拉工艺大学 计算、信息与数学学院 计算科学学院)
本文提出针对流水线架构的面向目标客服聊天机器人的实验评估方法,分别对NLU、DM和NLG组件优化超参数并评估候选模型,发现BERT、DDQN和GPT-2在各自组件中表现更优,为未来研究提供了基准和见解。
2024-09-27 cs.AI cs.LG cs.NE
CAPRAG: A Large Language Model Solution for Customer Service and Automatic Reporting using Vector and Graph Retrieval-Augmented Generation
INETUM Tunisia(法国英迪堂突尼斯分公司);University of Carthage(迦太基大学);Institut Pasteur de Tunis(突尼斯巴斯德研究所);University of Tunis El Manar(突尼斯马纳尔大学)
针对银行客户服务,提出混合CAPRAG框架,结合向量与图检索增强生成,处理关系与上下文查询,提升数字银行中的客户参与度。
2025-01-23 cs.AI cs.CL cs.IR
MemOrb: A Plug-and-Play Verbal-Reinforcement Memory Layer for E-Commerce Customer Service
Xiaoduo AI(小多AI);Fudan University(复旦大学);East China University of Science and Technology(东华大学);Shanghai Jiao Tong University(上海交通大学)
MemOrb 提出一种即插即用的语言强化记忆层,通过将多轮交互提炼为策略反思并存入共享记忆库来指导决策,无需微调即可显著提升客服智能体的多轮成功率和跨试验一致性。
2025-09-23 cs.AI cs.CL
Pricing Access to Dynamic Information Services
Stanford GSB(斯坦福商学院)
本文研究了在信息吞吐量限制下,动态信息服务提供者如何通过设置停止时间上限来筛选不同紧迫需求的买家,以实现收益最优机制。
2026-08-12 cs.AI econ.TH
System Design for a Data-driven and Explainable Customer Sentiment Monitor
Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡大学);Siemens Healthcare GmbH(西门子医疗有限公司);University of Applied Sciences Amberg-Weiden(安贝格-魏登应用技术大学);infoteam Software AG(infoteam软件股份公司);Siemens Shanghai Medical Equipment Ltd.(西门子上海医疗设备有限公司)
客户服务最重要的目标是让客户满意。然而,服务资源总是有限的,必须优先考虑。因此,重要的是要确定哪些客户可能变得不满意,并可能导致升级。今天,这种客户优先级排序通常是手动完成的。用于机器健康监测的物联网数据(特别是日志数据)的数据科学,以及用于客户关系管理(CRM)的企业数据分析,主要是独立研究和应用的。在本文中,我们提出了一个数据驱动的决策支持系统的框架,该系统将物联网和企业数据相结合,对客户情绪进行建模。这样的决策支持系统可以帮助优先考虑客户和服务资源,以有效地解决问题,甚至避免问题。该框架应用于一个真实世界的案例研究与一个主要的医疗设备制造商。这包括一个完全自动化和可解释的机器学习管道,旨在满足领域专家和最终用户定义的要求。整个框架目前正在部署,从TB级的物联网和企业数据中学习和评估预测模型,以积极监控数千台高端医疗设备的客户情绪。此外,我们还为研究界提供了一个匿名的工业基准数据集。
2021-01-11 cs.AI cs.LG
End-Cloud Collaboration Framework for Advanced AI Customer Service in E-commerce
Academy for Engineering & Technology, Fudan University(复旦大学工程与技术学院);University of Toronto(多伦多大学);The University of British Columbia(不列颠哥伦比亚大学);Innovation Platform for Academicians of Hainan Province(海南省院士创新平台)
针对电商AI客服的传统云模型存在延迟、隐私等问题及端侧算力不足的痛点,提出端云协同框架,以云大模型引导端侧模型学习,结合在线进化学习策略,实现低资源部署、隐私保护与个性化服务。
2024-09-20 cs.AI cs.CL cs.DC