根據文本內容建議操作方法列表

Question

我的客戶和支持人員之間有20,000條消息（電子郵件和實時聊天的組合）。 我也有我的產品的知識庫。

通常，客戶提出的問題很簡單，我的支持人員只是將其指向正確的知識庫文章。

為了節省支持人員的時間，我想做的是向我的員工顯示可能基於初始用戶的支持請求而相關的文章列表。 這樣，他們只需將鏈接復制並粘貼到幫助文章，而無需加載知識庫並手動搜索文章。

我想知道我應該研究什么解決方案。

我當前的思路是對現有數據進行分析並使用文本分類方法：

• 對於每條消息，請查看是否有響應以及指向操作方法文章的鏈接
• 如果是，請提取關鍵短語（Microsoft認知服務）
• TF-IDF？
• 將每個操作方法視為屬於一組關鍵短語的“分類”
• 使用一些監督的機器學習，支持向量機可能會預測哪個“分類，也稱為“如何使用”文章”屬於從新支持單中確定的關鍵短語。
• 將新的響應反饋到集合中，以使系統更智能。

不知道我是否要使事情復雜化。 任何建議如何做到這一點將不勝感激。

PS：僅將“關鍵短語”轉儲到我們知識庫的搜索查詢中的幼稚方法會產生較差的結果，因為幫助文章的內容通常不同於人們在電子郵件或實時聊天中表達他們的問題的方式。

Answer 1

一個類似於“垃圾郵件”分類器的簡單分類器可能會起作用，只是每個FAQ將是一個功能，而不是單個垃圾郵件而非非垃圾郵件功能分類。

大多數垃圾郵件分類器都以單詞/短語詞典開頭。 您已經從天真的方法開始了。 但是，與您的方法不同，垃圾郵件分類器的功能遠不止於文本搜索。 本質上，在垃圾郵件分類器中，將給客戶電子郵件中的每個單詞一個權重，權重之和表示郵件是垃圾郵件還是非垃圾郵件。 現在，將此功能擴展到常見問題解答。 也就是說，具有以下功能：FAQ1或非FAQ1，FAQ2或非FAQ2，等等。

由於您的支持人員可以輕松地確定電子郵件需要哪些常見問題解答，因此使用監督學習算法將是合適的。 為了減少任何誤分類錯誤的影響，請考慮在應用程序中向支持人員提供客戶的電子郵件，隨后是計算機生成的響應，而支持人員所要做的就是批准或修改響應。 修改響應應在訓練集中產生一個新條目。

支持向量機是一種實現機器學習的方法。 但是，您可能在建議先解決問題，然后在使用更復雜的方法之前盡可能使一種簡單的方法可行，但建議這種解決方法為時過早。 畢竟，如果多功能垃圾郵件分類器起作用了，為什么還要在其他同樣有用的東西上投入更多的時間和金錢呢？

最后，根據您的系統，這是我要解決的問題。