基于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

By 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，快速准确地检索相关的历史问题对于高效解决客户查询至关重要。传统的大型语言模型（LLMs）在检索增强生成（RAG）中的检索方法将大量历史问题跟踪票据视为纯文本，忽略了关键的问题内部结构和问题间关系，这限制了性能。我们引入了一种新颖的客户服务问答方法，将RAG与知识图谱（KG）相结合。我们的方法从历史问题中构建KG用于检索，保留了问题内部结构和问题间关系。在问答阶段，我们的方法解析消费者查询并从KG中检索相关子图以生成答案。这种KG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，还通过减轻文本分割的影响提高了回答质量。在我们基准数据集上的实证评估中，利用关键检索（MRR、Recall@K、NDCG@K）和文本生成（BLEU、ROUGE、METEOR）指标，我们的方法在MRR上比基线提高了77.6%，在BLEU上提高了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，并将每个问题的解决时间中位数减少了28.6%。