当Elasticsearch遇见智能客服机器人

我们主要服务的项目是MAC上的APP——Dr.cleaner以及Dr.X系列产品。

Dr.cleaner在多个国家、地区的清理类MAC APP中排名第一，日活接近百万。

幸福的烦恼：客服

多语言、跨时区：我们的APP在国内可能还不是非常出名，它的目前的客户基本都在海外，其中美国是主要客户，同时也有其它国家跟地区的用户。

数量跟不上：随着用户数的急剧增加，客服的数量跟不上用户数的增长。

解决方案：客服机器人

客服机器人首要能解决产品相关的问题，其次要能解决MAC/IOS相关的技术问题，多语言的问题需要通过翻译API翻译成英语再尝试给出解决方案。

任何智能客服如果没有足够的知识库支撑，即使它的算法再强大也不行。所以我们把很多MAC相关的网站抓下来塞进我们的数据库中。

StackExcangeApple分论坛（公开数据源）、Apple Discussion、Mac world、WikiHow…

当用户问题出现的时候，我们如何从文档知识库中找出我们需要的东西？我们之前尝试过直接使用ES，但是距离语义还是太远了，效果并不好。

WMD也有明显缺点，它的算法复杂度非常高，计算速度很慢。WMD不是银弹，即使WMD之后也可能会得到一些不太好的结果。

我们的知识库会先经过ES过滤一层。原始的知识库大概是几十万级别，如果直接用WMD计算的话速度会非常慢。ES在一定程度上保证了它的字面差得不会那么离谱，当字面比较相近的时候它还是能匹配出一些东西。

这个是最原始的mapping，我们基于这个mapping一步步去做优化。

采用BM25之后，当一个词的出现频率越高，到一定的阈值之后，它的影响是非常小的。

我们做了一个实验，修改了mapping，分别使用BM25 or TFIDF。从知识库中随机选取100个问题和10个回答，让ES进行查询，然后对比两边的结果。

我们一共进行了10轮，每轮会有100个回答。如上图可见，两个算法的重复度大概是91%。

根据实验得出，BM25的作用还是比较明显的，最终我们采用了BM25去做相似度的算法。

优化：拼写检查与纠错

我们的方案：Term Suggester + Custom Analyzer

使用Term Suggester

支持直接输入一句话：How to replace macbookk SSD？

Term Suggester自身调整

设定最小出现次数为3，修改了”string_distance”，把它改为”jarowinkler”。它默认的相似度是基于编辑距离的一些定制化，编辑距离默认会输出整数。

增加用户行为数据的支撑。Google的算法很大一部分就是有用户行为数据支撑。

“瞻前顾后”，从我们的角度来说，要考虑前后两个词的关系。

首先使用Gensim生成备选词组，然后使用规则过滤出比较精确的候选词组。当我们获得一个正确的词组后，可以根据候选词组生成常见的错误写法。最后再实时处理用户输入和批量处理ES存储的知识库。

规则

规则就是纯英文字符，去掉数字。主要是品牌名和版本号。

WMD的计算强度比较大，如果我们在输入词中能把一些不重要的词去掉，就可以降低WMD的计算强度。

在我们的一些知识库中，它的表达方式不一样。但重要的词换一个表达方式，能够提高准确率。

解决方案

当前我们的解决方案用Python NLTK进行分析过滤，输出每个词的词性，ES存储结果。

我们更为推荐的是使用ES分析、过滤、存储一条龙解决方案，但是这种解决方案需要自己写一个ES的Pos插件。

性能：Java实现的东西一般来说要比纯Python的快，特别是在比较消耗CPU资源的时候。

简单：逻辑不需要在ES和Python两边同时维护。

节省空间：NLTK的模型文件也比较大，多个Docker镜像就意味着占用多个内存、磁盘。

优化：同义词

人为地定义同义词很难，我们是基于Word2vec生成“同义词”。

我们的同义词方案是通过同义词进行查询改写。

基于Machine Learning的重排序，模型按照预测的点击概率进行重新排序。

我今天的分享就到这里，谢谢大家！