談店小蜜自定義知識庫的搭建

劉向榮

電子商務從PC時代進入移動時代，當前正在邁向智能時代。而電子商務客服行業順應時代的要求，也悄然地進行著智能革命。阿里巴巴推出的商家版智能客服機器人——店小蜜，也就應運而生。店小蜜有全自動和智能輔助兩種模式，其運行的原理是商家需事前配置好知識庫（店小蜜后臺的問題與答案集合列表），店小蜜會根據客戶問題的情景作出相應的回答。本文主要介紹了店小蜜及其管理模式，重點談論了店小蜜自定義知識庫的搭建過程，通過實例描述自定義知識庫從重構產品數據庫到“Q&A;”表配置的搭建過程，為人工智能培訓師提供一種店小蜜知識庫快速建模的方法。

店小蜜是一種創新的客服管理模式。在傳統客服團隊中（如圖1所示），團隊管理是由客服主管帶領著大量的客服人員處理各種問題。而在智能化的客服團隊中，企業的客服團隊變得更加精煉和高效。同樣是在客服主管的管理下（如圖2所示），這種模式只需由店小蜜（智能機器人）、人工智能培訓師和配備少量優質客服組成智能化的客服團隊，大大地降低了企業的經營成本。

兩種模式的對比，我們可以發現店小蜜和人工智能培訓師的出現，代替了大量的人工客服。而店小蜜相對人工客服又具有無可比擬的天然優勢，如真正做到7*24小時待命，永不下班，永不離職，甚至以一對萬。引用阿里巴巴的話說，店小蜜是當前人工智能化趨勢下，最懂電商的智能機器人。

為什么說店小蜜是最懂電商懂客戶的智能機器人？其秘密在于店小蜜的知識庫。店小蜜的知識庫是一個擁有“機器大腦+人腦”的智能知識庫。知識庫其實就是一個商家事前配備好的買家問題及其答案列表（如表1所示）。

阿里把日常的客服問題重新整理，具體分成了商品問題、活動優惠、下單付款、物流問題、售后退款、店鋪服務和聊天互動等七大類場景分類問題。每大類場景問題由行業高頻問題和自定義問題組成。行業高頻問題是阿里官方已經定義好的店鋪通用高頻問題和各類目高頻問題的買家問題及其答復列表，行業高頻問題是由算法基于海量買家問題訓練得出，商家可增加自身的商品行業類目，訂閱“行業包”即可快速使用。而自定義問題，即自定義知識庫，則是需要商家（人工智能培訓師）手動添加和定義的買家問題及其答復列表。雖然行業高頻問題已經幫助商家解決了大部分的客戶常見問題，但在實際中，自定義問題才是需要商家重點配備的問題，只有自定義問題才能更有效地解決客戶關于商家自身店鋪和商品的疑問。

在配置自定義知識庫之前，商家遇到的最大困惑往往就是如何從成千上萬的客服問題中，有效地提取客戶針對自身店鋪或商品的高頻問題，并就對應的問題逐一作出滿意的答復。顯然，這項任務的工作量是巨大的。設置自定義問題并對其作出回答是一項異常繁重的工作，其實質就是需要客服人員先把客戶關于商品疑問的全部問題考慮一次，并作出問題答復。最后把所有問題和答復形成一個集合的過程。因此，人工智能培訓師一職就應運而生，而其工作就是更好地解決自定義知識庫建模的困難。

為了讓店小蜜成為“真正”的客服智能機器人，人工智能培訓師需要對其自定義知識庫進行搭建和配置。

一、重構產品數據庫（產品表）

為了更準確地回答客戶對店鋪或商品的提問，我們首先要對店鋪和商品的全部信息進行數據化，這就需要重構產品數據庫，形成新的產品表。但是，在眾多不同類目的商品中，如何合理地設置商品的屬性，這是首要解決的關鍵問題。我們嘗試先從分析商品的類目屬性開始，找到商品對應的屬性。如家電類，其商品屬性參數有產品名稱、顏色、型號、材質、功能、電壓、功率、長度；服飾類，其商品屬性參數有產品名稱、顏色、尺碼、款式、型號、材質、厚薄、長度；化妝品類，其商品屬性參數有產品名稱、產地、成分、膚質、日期、功效……盡管類目不同，但可以發現每個商品的參數都有產品名稱，并以唯一的產品ID來區別與其他產品。

重構產品數據庫，即用數據庫的方法重新定義產品表的屬性內容（表頭）。產品表應由主表（固定參數列）和附表（可選參數列）組成。主表的屬性包括產品ID（主鍵）、產品名稱、產品鏈接、產品圖及分類名稱，附表的屬性應是基礎屬性（全店產品共有參數）、分類產品屬性（各類目的產品參數）、全店服務屬性、售后保障屬性等（如表2所示）。

以某銷售泳具產品的店鋪為例，構建該店鋪產品的產品表。產品表的創建可以使用常用的數據庫軟件（如Excel、Access） 進行建立和存儲。該店產品表內的主表參數（固定列）填寫方法如表3所示。

2.產品名稱是根據打開的產品頁面標題內關鍵詞，指定個性化產品名稱。如產品標題是“泳鏡女高清防水防霧度數泳帽泳鏡套裝男女士裝備近視游泳眼鏡”，則產品名稱可以定位“近視游泳眼鏡”。同理，產品列表可以標題或商品詳情頁的屬性表中找到，該產品屬于“泳鏡”類目。

3.產品圖片可以是截取產品詳情頁內的封面圖。一般是主圖的第一張，如果是視頻主圖則使用第二張即可。

同理，接著可以設置該商品的附表（可選可變動）。泳具產品表的附表中的基礎屬性及其內容（只選取了部分基礎屬性）填寫如表4所示：

附表中除了基礎屬性外，還有其他分類產品屬性（泳鏡以外的其他分類，如帽子、泳褲等屬性）、全店服務屬性（優惠、客戶活動等）、售后保障屬性（快遞、包裝說明等）、更多屬性等就不再一一舉例說明。

產品表構建其實就是將產品屬性重新細分的過程，把每個可分解的屬性盡量細分，單獨提取出來，從而形成一個店鋪全類目商品的數據庫，為下一步配置自定義知識庫提供了有效直觀的數據來源。

二、“Q&A;”表的配置和填寫

“Q&A;”表是自定義知識庫的雛形，其核心就是由問題和答案兩部分組成。但在面對消費者海量而雜亂的問題前，店小蜜首先會識別消費者和客服的對話內容，而對不同的場景進行定義。場景定義是通過一定的規則和定義，進行有意識的歸類和總結，通過篩選得到一定量的標準問法，并對這些標準問法進行命名統一歸納的舉動。

在店小蜜的知識庫中，其中官方知識庫（行業高頻問題）已經對主要的七大場景問題進行分析和解讀，具體場景分為商品問題、活動優惠、下單付款、物流問題、售后退款、店鋪服務和聊天互動等七大類。店小蜜會根據消費者的問題識別當前的所屬場景，然后再找到對應問題的答案。通過場景定義，有助于提升用戶的體驗，使答案能更全面更精確更快速地回復消費者的問題。同時也有助于判斷和維護場景的準確性，從而提升機器人的學習能力。

盡管官方知識庫能夠解決店鋪大量日?？头栴}，但關于產品自身和店鋪自身個性化的信息才是客戶待解答的核心問題，因此我們要事先考慮周全，配置好自定義知識庫的問題和答案，也就是“Q&A;”表的設置和填寫。“Q&A;”表可根據Q問題和A答案的屬性，建立表格的表頭屬性列。根據“問題”，可設置問題分類、問題類型、問題描述/原因、問法示例、可識別/衍生問題等屬性；根據“答案”，可設置答案組成、案例、答案建議、關聯產品、關聯ID、關聯ID數量、推薦產品、建議/備注等屬性（如表5所示）。

“Q&A;”表的創建可以使用常用的數據庫軟件（如Excel、Access） 進行建立和存儲。關于客戶問題的收集，我們可以通過對聊天記錄導出，再利用專業的分析軟件篩選出所有消費者咨詢過的問題。根據客服對于店鋪和商品的問題，對其進行分析歸類，具體對應劃分到商品問題、活動優惠、下單付款、物流問題、售后退款、店鋪服務和聊天互動等七大類場景問題。最后填寫七大類場景定義問題相應的“Q&A;”表。

“Q&A;”表中“答案組成”和“答案建議”是關鍵內容，其內容的質量決定店小蜜智能回答問題的準確性。要形成準確和詳細的“答案建議”，需要借助“產品表”。首先，根據問題描述或示例，我們可以先列出該問題所涉及的知識點，這些知識點就是答案的范圍。然后我們從“產品表”中，找出相應的知識點，對應產品表中的屬性列，其對應的內容，就是我們的答案。最后，運用客服相關的術語，形成一條“答案建議”。另外，一個問題可以對應有多個答案，答案對于客戶應該盡量友好。

仍以上述銷售泳具產品的店鋪為例，例如某關于商品尺寸類的問題，問題描述是：“咨詢產品的尺寸”，問法示例：“請問商品尺寸是多少？”中的“尺寸”，這是我們要從問題中提取的知識點。把這知識點在“產品表”中搜索，即可在產品表中的“尺寸”的屬性列中找到相應的答案（顯示各類商品的對應尺寸）。最后運用客服的相關術語，形成“Q&A;”表中的“答案建議”。泳具“Q&A;”表填寫內容參考如表6所示（省略部分屬性）。

三、后臺話術配置

根據“Q&A;”表的內容，在店小蜜后臺完成自定義知識庫問題和答案的配置。具體步驟可以根據后臺界面提示（參考文中表1所示），添加“問題描述”和相應的“客服答案”，完成“Q&A;”表全部問題和答案的添加即可。也可以通過官方模板導入的方式，完成店小蜜知識庫的配置。

最后，在整個自定義知識庫建模過程中，我們可以看到在重構產品數據庫階段，千辛萬苦地建立了商品的“產品表”，就是為了快速高效地填寫“Q&A;”表中答案。正是因為有了這份完善的“產品表”，我們不需要再重新打開商品對應的網頁，逐個逐個地尋找答案?？头杏龅降膯栴}不僅數量龐大而且千人千面，運用此方法形成的答案既詳細又準確。因此，“Q&A;”表的準確性一定意義上取決于“產品表”的質量。這將是人工智能訓練師對店小蜜自定義知識庫快速建模的一種重要方法。

責任編輯 何麗華