AI赋能电商新模式的探究

摘 要：在信息机制式处理系统规模化发展的前提下，智能客服系统应时而生。智能客服结合了语音识别和自然语言处理等技术，适用于大规模的资源处理，能够实现自动问答、推理和情感分析。本文基于“AI+电商”新趋势下展开电商智能客服新模式的探讨，旨在为高效开展客服服务寻找新方式。

关键词：AI;电商;智能客服

Abstract：Under the premise of the large-scale development of information machine processing system，intelligent customer service system should be born.Intelligent customer service combines speech recognition，natural language processing，and knowledge management for large-scale resource processing，enabling automatic question and answer，reasoning，and emotional analysis.Based on the new trend of "AI+ e-commerce"，this paper discusses the new mode of e-commerce intelligent customer service，aiming to find a new way to efficiently carry out customer service.

Key words：AI;Electricity;Intelligent customer service

1 研究背景

1.1 时代背景

随着互联网的诞生，有一部分人抓住了时代的机遇，故而产生了淘宝、京东、拼多多等大型电商网站，而这些电商平台几乎改变了中国民众大大小小的生活方式，随着电商行业的逐渐成熟，势必需要一份强而有力的浪潮涌入，据研究发现，全球人工智能市场已达爆发前夜，中国企业智能客服市场规模可达万亿，目前智能客服已有4000亿市场规模，未来五年将发展为万亿级市场规模，并且智能客服系统将占70%。中国企业智能服务市场需求亟待专业的AI技术和方案供应商来满足，市场潜力巨大[1]。人工智能可以从交互方式等多种角度推动电商服务新模式的诞生。不难想象，人工智能的发展将是打破电商行业瓶颈期的有力之手。

1.2 “AI+”发展趋势

人工智能（Artificial intelligence，简称“AI”）是继互联网之后崛起的生力军。早在1956年“AI”概念被约翰·麦卡锡提出;70年代的“专家系统”引起人们广泛关注;再到1997年“深蓝”战胜国际象棋大师以及2016年AlphaGo战胜李世石。这些发展历程大概可以归纳出AI的发展经历了以下三个阶段：计算智能、感知智能、认知智能。总的发展趋势是由简到繁，即从“机器智能”到“人工智能”。AI+电商的发展趋势是可观的。这是我国“抢占信息化制高点，增加国际话语权”的重要举措，也是电商事业融入国际交流渠道的重要表现[2]。

2 AI+电商的关键技术

智能客服就是在传统的客服系统的基础上，结合人工智能技术（语音识别、自然语言处理、知识图谱等），来促进客户服务自动化和客服管理工作智能化的客服系统。有调查显示，92%的受访者使用过智能客服，其中14%的受访者觉得目前智能客服的应用已比较普遍。目前已有的智能客服应用场景种类很多，涉及衣、食、住、行、乐、康等各个方面，比如银行、医院、商场、高铁、电力和旅游景点等场景都有涉及[3][4]。智能客服系统的关键技术也在近年来得到了攻克，电商行业是中国近年来新兴产业，具有覆盖广、数据量大等特点，AI+电商的结合，将有助于推进人工智能技术的落地化、同时让电商行业丰富起来。

2.1 语音识别

在语音识别技术领域，首先利用技术进行语音识别，再对自然语言进行处理，绘制知识图谱，从而对语句语义进行情感分析，目前语音识别技术有在往语义的情感分析挖掘方面发展的趋势。

语音识别是让机器通过识别和理解把语音信号转变为相应的文本或命令的高技术，由于语音具有良好的交互性，它已成为人机交互科学中的关键技术。特别是2010年以来，深度神经网络（Deep Neural Network，DNN）的应用推动了语音识别技术的发展，相比使用高斯混合模型（Gaussian Mixture Model，GMM）的系统取得了巨大的进步。识别率的提升加速了语音实用化的步伐，也使得语音类的应用如春笋般涌现。

计算机语音识别过程与人的语音识别过程基本相同。目前，核心语音识别技术是基于统计模式识别的基本理论。自提取语音特征的目的是从声波形式中提取一系列语音特征。信号处理和隔离功能作为音频信号，通过消除噪声、扭曲通道等增强语音，将音频信号从时间域转换为频域，并提取适当的功能，用于以后的声学模型。

2.2 自然语言处理

自然语言处理（NLP）是计算机科学、人工智能和语言学的一个领域，专注于计算机与人类语言（自然）快速共享之间的交互。因此，自然语言处理与人机交互有关。自然语言处理面临许多挑战，包括理解自然语言，所以自然语言处理涉及人的空间、计算机的交互。现代NLP算法依赖于机器学习，尤其是机器学习统计信息。机器学习不同于以前尝试的语言处理。语言处理任务的执行通常涉及直接手动编码一组大量编码。不同类型的机器学习算法的已应用于自然语言处理应用程序。使用的最早的算法，规则类似于手写的规则，具有更通用的系统。然而，目前更多的研究將集中在统计模型，这是根据额外的实际值的权重，每个元素更柔和的输入和概率决定的。此类模型的优点是能够显示非常不同的答案，而不是在集成到系统的更大部分时，只有一个相对确定的，即更可靠的结果。

语言模型包括语法网络，它由语音命令的识别或语言格式组成，还包括统计方法组成的语言模型，语言处理可以分析语法和语义。语言模型通过重新训练所学单词的概率来估计假设序列（如语言模式分数）的概率。如事先了解该领域或工作，通常可以更准确地评估语言模型。语言处理通常不需要成为小词表语音识别系统的一部分。

2.3 知识图谱

知识图谱经历了几十年的前期储备，在2014年谷歌正式提出知识图谱这个名词之后，知识图谱开始蓬勃发展。国外的研究目前领先国内很多，并且有众多大型的知识库及相关系统的应用。国内对知识图谱的研究及相关工作，在大型的专业领域知识库、跨领域知识库等方面还比较薄弱。

在知识图谱的研究方法中，知识推理是人工智能应用迈向更高级认知智能的重要技术，在计算机及人工智能领域，推理是一个从前提到结论的过程。因此，按照推理任务，知识推理可以被分为：演绎推理、归纳推理、设证推理;按照逻辑的确定性，知识推理又可以被分为确定性逻辑推理与不确定性推理。

知识图谱（Knowledge Graph），也称为科学知识图谱，是一系列不同的图表，用来显示知识发展过程和结构之间的关系，使用可视化技术来描述他们的知识资源和载体，挖掘、分析、构造、绘制和显示它们的知识和相互关系。

利用知识图谱对客户进行情感分析观点挖掘涉及的知识推理，是人工智能应用迈向更高级认知智能的重要技术，在计算机及人工智能领域，推理是一个从前提到结论的过程。因此，按照推理任务，知识推理可以被分为：演绎推理、归纳推理、设证推理;按照逻辑的确定性，知识推理可以被分为确定性逻辑推理与不确定性推理。

3 AI+电商的优势

人工智能客服系统在电商行业的应用有很大的技术优势，首先，智能客服系统可解决人工坐席压力大、效率低、耗时费力等问题，大大降低了人工成本，提高了工作效率;其次，智能客服系统具有准确的中文语义识别能力，能精准分析顾客所提问题，流畅地做出拟人化的回答[5];最后，智能客服系统拥有强大的上下文交互系统，不断提升智能水平的自主学习能力的同时，可以记录下顾客最关心的问题，根据用户的不同难题可提供快捷便利的对接方式，针对商家进行知识库优化升级，以提升服务质量。

4 结语

相比于人工智能领域的计算智能和感知智能，认知智能技术的落地则需要解决技术和产品之间的众多难题。因为对自身业务稳定可靠的需求，企业更希望认知智能产品是可靠的、易用易维护、并且能够解释和理解常识，而技术的目前发展现状却是准确率不够高、模型难移植、黑盒并难以结合知识。针对以上难题，我们需要采取“知识服务、复杂系统、混合算法、工程维护”等不同产品技术策略完美应对，使得面向垂直领域的企业计算率先完成技术与商业落地上的跨越。目前在认知智能赋能的典型场景——劳动与知识密集型的电商客服领域，人工智能客服系统需要具备高效协助人工客服进行咨询接待、业务处理、智能推荐等功能，为卖家大幅节省成本，提升客户沟通效率和转化率。

参考文献：

[1]苏沐晖.智能客服发展迅猛“人情味欠缺”瓶颈待突破[J].新产经，2020（01）：46-48.

[2]梁迎丽，刘陈.人工智能教育应用的现状分析、典型特征与发展趋勢[J].中国电化教育，2018（03）：24-30.

[3]韩丽丽，潘炜，刘丰威.基于人工智能语音识别客服稽查应用前景[J].电子测试，2020（15）：118-119+95.

[4]范红杰.浅谈新时代银行智能客服应用与展望[J].商讯，2020（17）：136-137.

[5]雷植程，童丽霞，吴俊江，杨杰.腾讯智能客服人机协同实践[J].人工智能，2020（03）：106-113.

项目：本篇论文由上海市经信委人工智能创新发展专项资金（2018年）《基于知识图谱的跨行业智能应用平台》项目（编号2018-RGZN-02025）资助完成

作者简介：褚善博（1992— ），男，吉林吉林人，硕士，研究方向：自然语言处理与机器学习。