電子商務銷售問答代理系統研究

[摘 要] 作為智能代理，電子商務銷售問答系統可以在B2C和C2C類型的電子商務中，替代網絡銷售人員的工作。構建一個高性能的在線銷售問答系統，需要綜合運用自然語言處理、問答技術、人工智能、市場營銷和客戶關系管理等多門學科的知識。這種系統是一種復雜的問答系統，可以使用多種格式的數據源:常問問答集合、半結構化的銷售政策文本以及結構化的客戶關系數據。系統使用句子相似度計算、自然文本提取、數據庫檢索技術從這些不同格式的文本中提取答案，并通過人工智能進行推理和篩選。從而使得系統不僅能對常問問題進行解答，而且可以使用客戶關系數據，進行有針對性的回答，從而達到促進銷售的目的。

[關鍵詞] 問答系統 在線銷售 客戶關系管理 智能代理

一、引言

電子商務銷售問答系統可以運用在B2C和C2C類型的電子商務中，部分替代網絡銷售人員的工作，從而降低交易費用，具有較高的現實價值，是自然語言處理系統的一個有效運用方向。考慮到目前自然語言理解和問答技術的進展，綜合使用TREC QA Track中的factoid 和list類型，構建一個銷售問答系統具有理論上的可行性。然而，要符合人類進行更深層次的營銷的特點，高水平的銷售系統有區別于一般的問答系統，它還包括更多。例如，識別顧客、針對性推薦和促銷。這就要求系統能夠識別場景，擁有期望，形成策略。

二、系統總體設計

1.電子商務問答系統的特點

TREC 的QA測試促進了相關技術的不斷發展。從1999年的TEC-8開始，該測試無論在問題類型還難度上都不斷的增加。其類型包括了factoid、list question和ciQA，知識來源也從新聞材料擴展到博客這種非正式信息。2007年的TREC QA測試中，來自世界各地的高校、科研機構和企業共21支隊伍參與了主任務競賽，國內的復旦大學、清華大學都進入了前10位。

歷屆QA測試都有很多研究隊伍參與，各自的技術路線存在差異，測試成績不一。早期的TREC QA測試中，芝加哥大學的FAQ Finder使用這統計學和語義學的方法計算句子相似度。系統接受自然語言提問，然后去尋找數據庫中的常問問答對。如果找到與提問相似的問答對，就提取對應的答案，然后返回給用戶。在測試文本集使用新聞材料后，Language Computer Corportaion的LCC系統一直都穩定的居于前列， Marius A. Pasca總結了這種高性能問答系統的特點:(1)預期答案類型的識別;(2)關鍵詞的詞匯變換;(3)語義學運用。隨后的幾年里，在TIPSTER系統推動下，高性能的命名實體識別器、句法分析器相繼得到運用。Diego Mollá報告了AnswerFinder，該系統基于命名實體識別技術，運用詞法、句法和語義信息來提取答案。

在QA測試中取得的技術進步被迅速用于各種應用系統中。Hoojung Chung等人報告了一種能夠回答天氣信息的問答系統，綜合運用了命名實體識別、用戶簡檔、推理規則、問題分類等技術。

2.系統的知識庫

根據銷售流程分析，銷售系統的知識來自于幾種數據:客戶關系管理數據、企業銷售政策、常問問答對和背景知識。它們分別屬于三種形式:問答對、自然文本和結構化信息。基本的流程如圖。

如果是背景知識類的問題，直接分別從常問問答對和背景知識文本中提取答案，然后進行一致性對比，最終生成輸出;對于非背景內容提問，先從常問問答對中，使用基于統計學和語義學的方法計算句子相似度來提取答案;然后從企業銷售政策文本中，使用檢索和命名實體的方法提取答案;再使用判定規則進行一致性比較，篩選出排列前面的答案;最后查詢客戶數據，通過人工智能推理，做最后篩選。

3.總體結構(圖見下頁)

三、系統組成部分

1.問題分析

對于輸入的自然語言問題，進行兩種基本類型的處理:常問問答對和文本提取。類型一:對于常問問答對，從輸入句子中去掉停用詞，將句子轉換為一個詞語向量集合;類型二:文本提取:根據命名實體識別器、時間規范、推理規則和用戶簡檔，形成檢索關鍵詞，并進行問題分類。

2.答案提取

類型一:我們使用兩種方法綜合計算問題相似度:統計學方法和語義學方法。對于統計學方法，使用tfidf。盡管統計學方法對于計算相似度很有用，但是由于自然語言的靈活性，它仍然是不夠的。因此，當使用tfidf不能得到足夠的分值時，我們使用反饋方式，放松查詢條件，從而讓系統使用Hownet進行語義擴展。擴展后形成新的詞語向量集合，按條件重復這個過程。

類型二:使用IR搜索引擎，從答案文本集合中獲取排名前50的句子作為候選答案;對候選答案，綜合使用詞法、語法和邏輯對問句和答案之間的疊和程度進行評分;在提取答案時，根據語法疊和度和詞語疊和度，按照提取規則對最終答案進行計分，提取得分最高的答案。

3.答案綜合

對于同一問題，通過對不同數據源提取答案，可能會獲得不一致的結果。因此，需要對結果進行一致性比較和判別。例如，對于銷售價格，如果節假日開展了促銷活動，使用了新的折扣，常問問題集里面的答案就不正確了。

同一問題，對于不同客戶，也可能有不同的答案。例如針對普通客戶和VIP客戶的不同折扣，因此需要使用客戶關系數據模塊，獲得客戶數據信息。

最后建立基于謂詞的若干判定規則，進行推理和比較，獲得最終的答案。

四、結論

構建一個高性能的電子商務在線銷售問答代理系統，需要綜合運用自然語言處理、問答技術、人工智能、市場營銷和客戶關系管理等多門學科的知識。這種系統是一種更復雜的問答系統，可以使用多種格式的數據源:常問問答集合、半結構化的銷售政策文本以及結構化的客戶關系數據。系統使用不同的技術從這些不同格式的文本中提取答案。系統不僅能對常問問題進行解答，而且可以使用客戶關系數據，識別客戶背景，根據客戶特點進行有針對性的回答，從而達到促進銷售的目的。用基于自然語言和人工智能的技術模擬人類進行銷售，是一個復雜的智能過程，我們的研究僅僅是起步。更類似于人類的系統，它能夠具有態度和期望、能夠根據外部信息設計行動策略，高效促銷和滿足客戶。構建這樣的系統，需要更多的努力和研究。

參考文獻:

[1]王 波 薛媛媚:網上銷售常問問答系統的構建[J].軟件導刊

[2]Hoa Trang Dang， Diane Kelly， and Jimmy Lin . Overview of the TREC 2007 Question Answering Track[C].In Proceeding of the Sixteenth Text Retrieval Conference(TREC 2007)， Gaithersburg， Maryland， USA: NIST， 2008

[3]Bruce， B. C. Generation as a social action. Proc[C].Theoretical Issue in Natural Language Processing(ACL)， 64～67. Reprinted in RNLP， 1975

[4]Robin D. Burke， Kristian J. Hamond， Vladimir A， Kulyukin. Question Answering for Frequently-asked Question Files: Experience with the FAQ Finder Systme[J]. AI Magazine ，1996

[5]Marius A. Pasca ， Sanda M. Harabagiu. High Performance Question/Answering[C]. Annual ACM Conference on Research and Development in Information Retrieval， New Orleans， Louisiana， United States， 2001

[6]Diego Mollá ， Mary Gardiner. Answerfinder - question answering by combining lexical， syntactic and semantic information[C].In Australasian Language Technology Workshop (ALTW)， 2004

[7]Haiqing HU， Peilin JIANG， Fuji REN and Shingo KUROIWA. A New Question Answering System for Chinese Restricted Domain[J].IEICE Transactions on Information and Systems， 2006 E89-D(6):1848～1859

[8]Dan Moldovan， Sanda Harabagiu， LASSO: A Tool for Surfing the Answer Net[R].Department of Computer Science and Engineering; Southern Methodist University，2000

[9]Salton， G.， McGillm， M. Introduction to modern information retrieval[M].New Yourk: McGraw-Hill， 1983

[10]Jennifer Chu-Carroll， Krzysztof Czuba， Pablo Duboue， John Prager. IBM’s PIQUANY Ⅱ in TREC 2005[C].Proceedings of TREC2005. Gaithersburg， Maryland， USA: NIST， 2006

[11]陳明亮:客戶生命周期模式研究[J].浙江大學學報(人文社會科學版)，2002，11:66～60

[12]James Allen:自然語言理解(第二版)[M].北京:電子工業出版社，2005

[13]蔡自興:人工智能及其應用(第三版)[M].北京:清華大學出版社，2004