如何提升智能電銷機(jī)器人的語義識別準(zhǔn)確率，在金融公司中，傳統(tǒng)電話銷售占公司總銷售額的大半部分，電話銷售客服中心每天呼出幾萬通電話，話術(shù)都是有跡可循。但傳統(tǒng)的電銷客服存在流動性大，培養(yǎng)周期長，人力成本高的缺點，如何降低公司的成本又不減少電話銷售的份額，是每個金融公司所面臨的難題。智能電銷機(jī)器人的出現(xiàn)，讓以上傳統(tǒng)銷售難題引刃而解。不過，由于智能電銷機(jī)器人未針對金融場景進(jìn)行優(yōu)化和難以實現(xiàn)準(zhǔn)確的語義識別等原因，還難以應(yīng)用于金融領(lǐng)域。

本文提出了一種組合使用文本相似度計算與特征詞規(guī)則匹配的方法，可以提高語義識別準(zhǔn)確率，實現(xiàn)更為友好的人機(jī)對話。

傳統(tǒng)的語義識別要靠程序開發(fā)人員寫一些規(guī)則來解決語義識別問題。但是，要窮舉并制定這些規(guī)則對于開發(fā)人員來說工作量無法想象。因為在自然語言處理領(lǐng)域中永遠(yuǎn)有寫不完的規(guī)則，這時就需要機(jī)器人運用自己的學(xué)習(xí)能力進(jìn)行推理。TF-IDF詞袋模型能根據(jù)詞的重要程度添加對應(yīng)權(quán)重，更符合對話語義邏輯，但會使原文檔轉(zhuǎn)換為高維的稀疏向量，為向量存儲和相似度計算帶來了很大的困難。其主要技術(shù)包含如下：

1、對電銷對話語料數(shù)據(jù)進(jìn)行清洗，刪除對話邏輯不合理的數(shù)據(jù)，刪除語音轉(zhuǎn)文本過程中識別誤差過大的數(shù)據(jù)，保留部分語音轉(zhuǎn)文本過程中的錯字，從而提高模型的抗干擾能力。

2、使用python分詞工具jieba包對清洗后的語料進(jìn)行分詞，同時刪除停用詞和低頻詞。

3、建立詞袋模型，依據(jù)TF-IDF算法計算各詞的重要程度并做加權(quán)處理。

4、使用LSI對TF-IDF詞袋模型進(jìn)行降維，剔除小的奇異值，將文檔特征空間變?yōu)槲臋n概念空間。

5、梳理電銷總體流程，提取電銷流程中的各個場景，針對不同場景設(shè)置多種意圖樣句。

6、將客戶的實時對話數(shù)據(jù)與各樣句比對（概念向量之問使用內(nèi)積的夾角余弦相似度計算比原來基于原文本向量的相似度計算更可靠），大于設(shè)置的相似度閾值即識別為該場景下的對應(yīng)意圖。

7、進(jìn)行電銷的對應(yīng)話術(shù)，完成一輪人機(jī)對話。