Generación mejorada de mejoras de recuperación de grafos de conocimiento para el cuestionario de atención al cliente

Dirección de la ponencia: https://arxiv.org/abs/2404.17723

Los grafos de conocimiento sólo pueden extraer relaciones entre entidades de forma dirigida, y tales relaciones entre entidades extraíbles de forma estable pueden entenderse comoAproximación a los datos estructurados.

La figura 1 ilustra el flujo de trabajo de un sistema de preguntas y respuestas de atención al cliente que combina Knowledge Graph (KG) y Retrieval Augmented Generation (RAG). El proceso se resume a continuación:

1. Mapa de conocimientos: el sistema construye un mapa de conocimientos exhaustivo a partir de los tickets históricos de incidencias del servicio de atención al cliente, incluyendo dos pasos principales:

• Representación en árbol del ticket interno: cada ticket de incidencia se analiza como una estructura de árbol con nodos que representan diferentes partes del ticket (por ejemplo, resumen, descripción, prioridad, etc.).
• Enlace entre tickets: conexión de árboles de tickets individuales en un grafo completo basado en el enlace explícito en los tickets de seguimiento de incidencias y el enlace implícito deducido a través de la similitud semántica.

2. Generación de incrustaciones: generar vectores de incrustación para los nodos del grafo, utilizando modelos de incrustación de texto preentrenados (por ejemplo, BERT o E5), y almacenar estas incrustaciones en una base de datos de vectores.

3. Búsqueda y proceso de preguntas y respuestas:

• Incorporación de la intención de la pregunta: análisis sintáctico de las consultas de los usuarios para identificar entidades con nombre e intenciones.
• Recuperación basada en la incrustación: utilizar entidades para recuperar los tickets más relevantes y filtrar los subgrafos relevantes.
• Filtrado: selección e identificación de la información más relevante.

4. Tickets recuperados: El sistema recupera tickets específicos relacionados con la consulta del usuario, como ENT-22970, PORT-133061, ENT-1744 y ENT-3547, y muestra las relaciones de clonación (CLONE_FROM/CLONE_TO) y similitud (SIMILAR_TO) entre ellos.

5. Generación de respuestas: Finalmente, el sistema sintetizará la información recuperada y la consulta original del usuario para generar una respuesta a través de un Gran Modelo de Lenguaje (LLM).

6. Base de datos gráfica y base de datos vectorial: A lo largo del proceso, la base de datos gráfica se utiliza para almacenar y gestionar los nodos y enlaces del atlas, mientras que la base de datos vectorial se utiliza para almacenar y gestionar los vectores de incrustación de texto de los nodos.

7. Pasos en el uso de LLM: En múltiples pasos, se utilizan grandes modelos de lenguaje para analizar el texto, generar consultas, extraer subgrafos y generar respuestas.

Este diagrama de flujo ofrece una visión de alto nivel de cómo puede mejorarse la eficacia y precisión de los sistemas automatizados de preguntas y respuestas para la atención al cliente combinando técnicas de generación de gráficos de conocimiento y de mejora de la recuperación.

La parte izquierda de esta figura muestra la construcción del grafo de conocimiento; la derecha, el proceso de recuperación y preguntas y respuestas.