《西部世界》的热播展现了人类对未来世界的想象和期望，而这些令人瞠目结舌的场景也许不仅是科幻而是科技发展的方向，也许在不久的将来人工智能可以模拟人的意识和思维过程，达到甚至超越人的智能。
可以想见，人工智能技术与以客服领域为代表的垂直领域的结合将会擦出更多火花。本公众号推出一系列文章，详尽地探讨未来人工智能技术能为客服领域将会带来的巨变。这是第三篇。
从Siri到Evi再到Google Now，人工智能轮番上场带给我们接二连三的惊喜。然而这些应用仅仅是在交互方式上有所不同，支持自然语言自由沟通的前提是庞大的知识库和由知识图谱支撑的各种服务。
知识图谱就是把所有不同种类的信息（Heterogeneous Information）连接在一起而得到的一个关系网络。知识图谱是基于现有数据的再加工，包括关系数据库中的结构化数据、文本或XML中的非结构化或半结构化数据、客户数据、领域本体知识以及外部知识，通过各种数据挖掘、信息抽取和知识融合技术形成一个统一的全局的知识库。
知识图谱提供了从“关系”的角度去分析问题的能力，可被看作是一张巨大的图，图中的节点表示实体或概念，而图中的边则由属性或关系构成。
图片来自于Xtecher
知识图谱的概念最早由Google提出，最早是用来优化现有的搜索引擎，现在知识图谱已有了很多有趣的应用。
在2011年2月参加美国智力竞赛节目《危险边缘》中，IBM超级电脑Watson一举夺魁。面对节目中用充满双关的英语提出的费解问题，Watson从语义层面理解用户意图，快速领悟《危险边缘》中出现的各种线索，对所获取的信息进行分析并给出准确答案。
最直接的，如果对Watson说：“Mary Leakey”，Watson能准确说出Mary Leakey的相关信息，比如出生年月、家庭情况等。
另外，对于稍微复杂的问句，Watson也能真正了解用户真实的意图。比如比赛中的一道题目是这样说的：“1959年在奥杜威峡谷，她和她丈夫Louis发现了175万年前鲍氏南方古猿的头骨，她是谁？”，Watson能准确说出“Mary Leakey”的名字。而让Watson与人类智力交锋的，除了语义分析、问题理解、信息抽取等深度学习技术外，知识图谱同样功不可没。
图片来自于土豆网
相比于运用了知识图谱的Watson的“无所不知”，智能客服的“知识面”就相形见绌了。如用户向客服系统这样询问：“什么面料的衣服水洗不会缩水？”智能客服们立马乱了阵脚，给出诸如“对不起，我还不懂您的问题，请换个方式重新提问”、“提问失败，请重试”的回答；表现好一点的智能客服，会回答：“您好，不同的商品材质也会不同，您可以在商品详情页面查看其具体介绍”，为了找到答案，用户仍免不了切换页面再次搜索的操作。
那么我不禁想问，能否将知识图谱技术应用于智能客服呢？知识图谱+智能客服又会擦出怎样的“火花”呢？
知识图谱旨在描述真实世界中存在的各种实体或概念。其中，每个实体或概念用一个全局唯一确定的ID来标识，称为它们的标识符(identifier)。每个属性-值对描述了一个实体包含的属性、性能以及同其他实体之间的关系，而关系(relation)用来连接两个实体，刻画它们之间的关联。知识图谱通常由大量<实体，属性，值>或<实体，关系，实体>这样的三元组来表示。
按照输入的问题的难易程度，知识图谱可分为简单类和复杂类两种。对于简单问题来说只需要一个三元组就能搞定，即实体A-关系B-实体C，如夏天-适合穿的-裙子。
而对于复杂问句来说，就需要多个三元组，有时需要进一步的推理或者做一些计算，可以用“实体A-关系B-实体C；实体C-关系D-实体E”表现A与E的关系。如用户的问题是周杰伦老婆喜欢的口红色号是什么？用知识图谱表现就是周杰伦-妻子-昆凌；昆凌-喜欢的-口红色号。
未来，知识图谱将应用于客服系统，主要的应用方面有三个：一个是客服系统知识卡片的建立，一个是个性化推荐，一个是客户关怀。
如用户在与电商客服系统对话时，想了解更多的商品详情，只需输入商品名称，便可以得到想要的答案。如用户输入：“百褶裙”，知识卡片会列出简介、特点（风格、材质等）、款式分类、适宜人群、适宜场合、制作工艺等来自百科、图片、新闻、视频等不同类别的基础信息。此外，知识卡片还会根据各种细粒度的语义关系展示出商品起源、当下流行服装搭配、推荐品牌等信息，帮助用户进一步明确自己的需求并找到最适合自己的商品。除了商品名称的知识卡片以外，网站的活动、规则（如：慢就赔、满就送）等的释义也一应俱全。
更值得一提的是，当用户未提及商品品牌、型号、颜色等基础信息，而是提供一些特殊信息来咨询或挑选商品时，客服系统也能迎刃有余地解决。譬如说，当在客服系统中输入“黄晓明的老婆代言的手机品牌”如此复杂的查询时，其会直接返回其老婆的姓名(杨颖)以及其代言的手机品牌(美图)，给出推理说明“杨颖的代言的手机品牌是美图”，并给出购买链接。如此详实的说明不仅为返回的答案提供了很好的解释，从另一个侧面也展示了知识图谱的强大，不仅能识别出演员黄晓明，也能抽取出关系“老婆”和“代言”和属性“手机品牌”等信息。当我们将查询修改为“黄晓明的妻子代言的手机品牌”时，依然返回相同的结果，这也意味着知识图谱知道“妻子”和“老婆”代表相同的含义。
除了知识卡片的建立，个性化推荐也是知识图谱在客服系统中的一大应用。系统进行知识计算，根据图谱提供的信息得到更多隐含的知识，如通过本体或者规则推理技术和连接预测可以获取数据中存在的隐含知识和实体间隐含的关系，为用户做出更精准的个性化推荐。
如系统识别出用户李小姐是年龄为20-25岁的青年女性，李小姐在客服系统中输入：“我想买CÉLINE新款小白鞋。”知识图谱计算用户所指是CÉLINE2017春夏系列的PLIMSOLE复古白球鞋，但该网站的该款鞋子已售罄。因此，知识图谱根据用户的要求和用户个人属性整理出她的需求：
1.用户想要购买的商品属于国际大牌；
2.商品颜色为白色，商品类型为运动鞋；
3.用户想要购买新款；
4.用户为年轻女性；
5.该用户的好友赵小姐曾在前几天购买过同类别商品。
于是客服系统为用户做了个性化推荐：
第一件商品是Tory Burch Ruffled Leather Sneakers。
第二件商品是Roger Vivier Frilly Sneakers。
第三件商品是Givenchy Urban Street Leather Trainers。
这三件商品推荐思路类似，首先该品牌价位、定位与用户想要购买的品牌相当；其次该款鞋为新上市的白色运动鞋；最后，这三款鞋子表面有呈现年轻感和女性化特点的设计。
第四件商品是李小姐的好友赵小姐曾购买过的Golden Goose Deluxe Brand 皮革运动鞋。当用户想购买的商品符合好友购买或咨询过的商品的某些条件时也会推荐好友购买过的商品。知识图谱通过推理发现李小姐的好友赵小姐曾买过同类别的商品，向李小姐推荐了这款鞋。
最后，知识图谱在客服系统的应用还能做到个性化前瞻性的客户关怀。在竞争十分激烈的当下，很多产品和服务都出现同质化的情况，企业在努力争取新客户的同时也要做好对优质客户的前瞻性关怀，以提供更好的用户体验，知识图谱让它不再是难事。
企业将知识图谱的客户关怀功能应用于客服系统，目的是前瞻性地了解优质用户的需求，并在用户打电话来反映情况的时候（抱怨或询问信息等），可以预先判断他需要什么，并帮其解决，从而减少沟通次数和沟通时长。
举一个例子，某第三方账单审计和客服中心对其优质客户张女士的近期账单进行分析，发现上个月张女士的花费涨了500元，原因是她女儿用她的账户购买了三个每月需支付60元的付费应用却没有告诉她。她打电话给该公司想要取消会员，接通电话后，在张女士还未开口质问账单，银行客服人员就已知道事情的来龙去脉，并迅速地为她处理了问题。最后处理的结果是，该公司退还张女士用于购买付费应用的500元，并允诺将免掉这个月的会员费。
为了做到这一点，系统需要判断用户的信用等级。并根据用户的当前消费情况和各种动作来自动化判断其可能的行为。这是一个简单的金融行业使用的数据分类和商业概念归类，包含设备、账单、支付等一系列重要知识。
通过上述概念得到的各种数据包括结构化，也包括流数据进行的各种数据映射和转换，类似的，也是形成统一的图谱进行管理。这个还包括趋势、时间、地理还有消费模式等很多信息。通过各种数据源进行数据的整合，形成统一的知识，并配合业务规则和贝叶斯网络来形成决策引擎，从而对用户的信用和各种行为结果预测起到作用。
未来，自然语言理解，机器学习和数据挖掘等多方面技术的高速发展和融合会让知识图谱不断获得新的突破。有了知识图谱技术的加持，未来的智能客服能更轻松地识别用户句子当中包含的实体、概念、属性、关系、事件，为自我认知和个性化问答提供支持。
往期精彩推荐：
欢迎关注知乎账号：Yibot
赋予机器智慧
