结合知识图谱的检索增强生成，用于客户服务问答

发布于2024年4月26日

作者：Zhentao Xu, Mark Jerome Cruz, Matthew Guevara, Tie Wang, Manasi Deshpande, Xiaofeng Wang, Zheng Li

arXiv:2404.17723 [ cs.IR, cs.AI, cs.CL, cs.LG, I.2 ]

摘要

在客户服务技术支持中，迅速准确地检索相关历史问题对于高效解决客户咨询至关重要。大型语言模型（LLMs）检索增强生成（RAG）中的传统检索方法将大量的历史问题跟踪工单视为纯文本，忽略了关键的工单内部结构和工单间关系，这限制了其性能。我们介绍了一种新颖的客户服务问答方法，该方法将RAG与知识图谱（KG）结合起来。我们的方法从历史问题中构建一个知识图谱用于检索，保留了工单内部结构和工单间关系。在问答阶段，我们的方法解析消费者查询并从知识图谱中检索相关的子图以生成答案。这种知识图谱的集成不仅通过保留客户服务结构信息提高了检索准确性，而且通过缓解文本分割的影响增强了回答质量。在我们基准数据集上的实证评估，利用关键检索（MRR、Recall@K、NDCG@K）和文本生成（BLEU、ROUGE、METEOR）指标，表明我们的方法在MRR方面优于基线77.6%，在BLEU方面优于基线0.32。我们的方法已在LinkedIn的客户服务团队中部署了大约六个月，并将每个问题的中位解决时间缩短了28.6%。