中兴通讯的NGCC解决方案，深度语义理解的技术应用到系统的各个部分

本次会议以“数字时代的通信和协作变革”为主题。中兴通讯联络中心AI首席科学家杜新凯应邀出席此次会议并发表题为《深度语义理解助力CC智能化》的主题演讲。联络中心的主要应用场景，无论是智能客服，智能知识库，还是智能外呼，都涉及对文本的处理和理解。一直以来文本的语义理解存在如下四个难题，即针对相同语义的不同表述方式的识别，普遍存在的不确定性，知识处理的复杂性，和输入存在的大量错误。新的深度语义理解技术可有效解决这些难题，从而助力联络中心实现智能化。

杜新凯：各位上午好，谢谢主办方的邀请，很高兴有机会给大家做报告，刚才汪总从哲学和伦理学的角度讲了人工智能和呼叫中心，我更多是从技术的角度来作一个分享。

今天的报告主要分为四个部分，第一部分是呼叫中心面临的挑战和趋势，第二部分是自然语言处理的重要性，第三部分是深度语义理解核心技术，第四部分是深度语义理解的应用。

首先来看呼叫中心面临的挑战，我认为呼叫中心的挑战主要是关于人的三个矛盾，第一个矛盾是，我们知道呼叫中心的投入和规模每年都在持续的增长，这样的话就需要招聘更多的人，但是我国的劳动力人口已经在逐年下降越来越少，这样就构成第一个矛盾；第二个矛盾是，我们希望呼叫中心的人工座席团队尽可能的保持稳定，但是事实上呼叫中心的离职率相对于别的行业来说始终处于一个比较高的水平；第三个矛盾，根据统计显示呼叫中心的人力成本占到了总成本的82%，我们呼叫中心预算的增长的速度低于人力成本的增长速度，这样就构成了第三个矛盾。

这三个矛盾就使得智能化成为呼叫中心发展的一个必然趋势，这里面我们可以从两个角度来看。第一个角度就是机器可以替代人，也就是说我们不需要招更多的话务员。比如说智能客服、智能IVR、智能营业厅、智能外呼的应用。Garter有一个报告，2020年智能机器人的座席能够满足40%的客服市场的需求，中国到时候就会有一千万的智能机器人的座席；第二个角度来讲的话就是说机器也可以辅助人、协助人，比如智能坐席助手和智能知识库，我们可以提高座席人员的工作效率，让同样一个坐席人员可以去做更多的工作、去有更多的产出。

同时我们今天很高兴的看到，就是说越来越多的用户已经开始适应和习惯智能化的服务方式。国外报告是说在过去的2017年，已经有超过15%的用户有了跟智能机器人对话的经历，虽然说传统的一些渠道，比如说电话、邮件的比例仍然远远高于对话机器人的比例，但是我们可以看到从趋势上来讲，就是智能服务的比例会占的越来越高。

在呼叫中心这个领域里面，智能服务、智能技术起作用的一个主要着力点就是语言的处理。语言的形式可能有语音、有文本。对于语音来讲，通过语音识别的技术，我们可以把它转换成文本，所以说归根到底可能主要还是一个文本处理的问题。这里面主要用到的就是自然语言处理的技术，也就是NLP的技术。

我们可以看一看NLP在人工智能中的位置。人工智能可以划分为三个层次，第一个就是计算智能，就是让计算机具备能存会算的能力。第二个层次是感知智能，让计算机能听会说、能看会认，比如说语音识别、语音合成、人脸识别都属于感知智能的范畴。第三个层次就是认知智能，让计算机具备能理解会思考的能力，NLP就是在研究如何让机器人像人一样去理解人类的语言，属于认知智能的范畴，著名的图灵测试主要就是基于NLP的技术提出的。

在NLP的处理里面其实是面临四个非常大的挑战和困难。第一个是表达方式是非常灵活的，第二个是我们在语言当中其实是普遍存在很多的不确定性，第三个是语言知识处理本身非常复杂，第四个是输入可能是存在不规范性。比如讲一个智能回访的场景，我们都知道机器人做回访，或者我们人工座席做回访，往往第一个问题是身份的核对，比如“您好，请问你是张三先生吗？”可能我们期望用户说我是或者说我不是，这是非常简单非常容易处理的；但是我们分析实际的录音数据，针对用户表明自己就是张三，从表述上我们可以分为四类，第一类就是我刚才讲的最简单一个情况，第二类比如说用户会说“有事赶紧说”，第三类他可能反问你，“你为什么午休时间给我打电话”，第四类，他甚至会拒绝你，“我现在不方便接电话”，但是后面这三类他都在变相的承认自己是张三。我们就可以看到，其实对于一个简单的身份核对，用户就会有各种各样非常灵活、非常多变的表达方式，要求我们能够通过NLP的技术能够去处理。

某种意义上来讲就是一个问题它有多难，它就会有多重要。关于自然语言处理，微软创始人比尔盖茨很早之前就说过，自然语言处理是人工智能皇冠上的明珠。最近微软的沈向洋博士提出了一个说法“懂语言者得天下”，就是强调人工智能接下来的突破就是在自然语言的理解。

我们看看NLP在实际中的应用场景，可以划分为三块，第一块就是通用领域，我们都知道搜索引擎、拼音输入法，背后都是一些NLP的技术。第二块是面对特定行业的应用，比如说智能投顾、疾病诊断、还有教育、法律都有一些应用场景，第三块就是呼叫中心。

呼叫中心相对特殊，这个特殊性我认为主要是因为它的两个特点决定，第一个就是说各行各业都有这方面的需求，市场空间非常大；第二个特点是针对具体的客户具体的行业来讲，其实解决的是特定封闭领域的问题，这样的话使得技术难度相对来讲比较低。

接下来就是深度语义理解的核心技术，对于NLP，从大的方面来看可以划分为两种技术路线，第一种是传统的方法，基于符号的语义表示，在语义处理上是依赖于大量的规则还有浅层的分析，准确率往往取决于你到底投入多少的人工，很难超过80%。第二种是深度语义理解的方法，基于分布式的语义表示，语义处理上是把传统的机器学习和深度学习去结合起来，另外在知识层面很好的利用知识图谱作为支撑，准确率可以做到95%以上。

深度语义理解有两个要素，一个是关键算法，有语义相似度计算、语义复述、多意图识别、自学习；第二个是知识图谱，从知识图谱技术上来看是五方面的问题，第一个是知识的体系和表示，第二个是知识的建模，第三个是知识的获取，第四个是知识的集成，第五个是知识的存储和服务。下面我分别仔细介绍。

最终的话把算法和知识的所有技术整合起来，就构成了我们的深度语义理解引擎，大概涉及到二十多种技术。

最后介绍一下我们在深度语义理解的具体的实践和应用。中兴通讯的NGCC解决方案主要面向政企和运营商市场，我们的解决方案具备三方面的特点，第一个就是智能化，第二个是纯云化、第三个是整体化。我们在中国平安、江苏电信规模分别是15000座席和13400坐席，在建设银行我们是两地三中心12000坐席。这些案例都是呼叫中心少有的智能水平非常高、容量非常大，可靠性非常高的应用案例，在这里面深度语义理解的技术，应用到了系统的各个部分，使得人工座席和机器可以密切的配合，有一个非常好的人机协作的效果。

最后总结下，中兴通讯的NGCC解决方案，我们将深度语义理解的技术应用到了系统的各个部分，具体来讲有智能客服、智能IVR、智能营业厅、智能知识库和智能外呼，这些智能的方案跟对于呼叫中心传统功能的完全支持，一起构成我们完整化的解决方案，我们希望通过以深度语义理解为代表的智能化技术，把智能化与服务场景、接入渠道，还有业务系统做一个无缝的融合，希望在业务场景里面能够给用户提供舒适、无感、有效、快速的智能服务。谢谢大家。