胡 波

中國(guó)電信股份有限公司江蘇分公司

0 背景問(wèn)題

電信運(yùn)營(yíng)商客戶(hù)服務(wù)熱線承擔(dān)著業(yè)務(wù)咨詢(xún)、投訴、辦理、障礙申告等職責(zé)。隨著計(jì)算機(jī)語(yǔ)音識(shí)別能力的提升，目前各運(yùn)營(yíng)商陸續(xù)開(kāi)展了語(yǔ)音錄音文件向文本數(shù)據(jù)的轉(zhuǎn)換工作，形成了大量的客服文本信息庫(kù)，成為運(yùn)營(yíng)商大數(shù)據(jù)的一部分。目前，部分運(yùn)營(yíng)商在對(duì)客服撥打的客服電話進(jìn)行大數(shù)據(jù)分析，挖掘潛在的內(nèi)容價(jià)值，比如：發(fā)現(xiàn)熱點(diǎn)投訴問(wèn)題、客戶(hù)業(yè)務(wù)咨詢(xún)中的商機(jī)捕獲、客戶(hù)情緒評(píng)價(jià)等。但是，目前客服信息分類(lèi)是通話結(jié)束后，由客服人員人為在系統(tǒng)頁(yè)面中操作指定，主觀性和隨意性較大，從抽檢來(lái)看，準(zhǔn)確度不高。本文介紹如何利用文本分類(lèi)技術(shù)，實(shí)現(xiàn)對(duì)運(yùn)營(yíng)商客戶(hù)服務(wù)文本信息的分詞、關(guān)鍵字評(píng)價(jià)，并實(shí)現(xiàn)自動(dòng)分類(lèi)模型；同時(shí)引入了深度學(xué)習(xí)的相關(guān)框架，對(duì)客服文本信息進(jìn)行了分類(lèi)嘗試。

1 文本分類(lèi)模型介紹

近些年來(lái)，隨著大數(shù)據(jù)的相關(guān)技術(shù)發(fā)展，越來(lái)越多的非結(jié)構(gòu)化信息得到存儲(chǔ)和分析，文本分類(lèi)是一個(gè)重要研究和實(shí)踐方向。所謂文本分類(lèi)是根據(jù)文本的內(nèi)容，由計(jì)算機(jī)對(duì)未知類(lèi)別的文字文檔進(jìn)行自動(dòng)處理，判別它們所屬預(yù)定義類(lèi)別集中的一個(gè)或多個(gè)類(lèi)別。近些年來(lái)，文本分類(lèi)在輿情識(shí)別、商品評(píng)價(jià)、新聞分類(lèi)等方面得到了應(yīng)用。

傳統(tǒng)文本分類(lèi)一般采用“詞袋”（bag-of-words）假設(shè)。所謂“詞袋”假設(shè)是在自然語(yǔ)言處理和信息檢索中的一種簡(jiǎn)單假設(shè)：在這種模型中，文本（段落或者文檔）被看作是無(wú)序的詞匯集合，忽略語(yǔ)法甚至是單詞的順序。

在“詞袋”假設(shè)下，采用“有監(jiān)督學(xué)習(xí)”的方法，主要思路是：從已打上分類(lèi)標(biāo)簽的文檔中提取特征，在特征的預(yù)處理的基礎(chǔ)上，引入有監(jiān)督模型進(jìn)行特征值與分類(lèi)標(biāo)簽的訓(xùn)練和模型迭代，在模型的準(zhǔn)確性滿足后投入實(shí)際的分類(lèi)應(yīng)用。與英文等文字不一樣，中文的文本分類(lèi)首先需要進(jìn)行“分詞”處理，在此基礎(chǔ)上再進(jìn)行特征提取等后續(xù)工作。以下是中文文本分類(lèi)的一般建模過(guò)程：

圖1 基于統(tǒng)計(jì)學(xué)習(xí)的中文文本分類(lèi)一般性過(guò)程

1.1 中文分詞

分詞是從中文自然語(yǔ)言句子中劃分出有獨(dú)立意義詞的過(guò)程。眾所周知，英文是以詞為單位的，詞和詞之間是靠空格隔開(kāi)，而中文是以字為單位，不能天然形成“詞”。計(jì)算機(jī)進(jìn)行分詞的基礎(chǔ)是需要建立一個(gè)詞庫(kù)，將整理形成的中文詞納入到詞庫(kù)中?，F(xiàn)有的分詞算法可分為三大類(lèi)：基于字符串匹配的分詞方法、基于統(tǒng)計(jì)的分詞方法和基于理解的分詞方法等。分詞技術(shù)是做中文文本分析的基礎(chǔ)，應(yīng)用非常廣泛。

1.2 特征提取

過(guò)高的特征維度是文本分類(lèi)的一個(gè)顯著特點(diǎn)，因?yàn)橐粋€(gè)不重復(fù)的分詞都可以視為一個(gè)單獨(dú)的特征。為了兼顧運(yùn)算時(shí)間和分類(lèi)精度兩個(gè)方面，不得不進(jìn)行特征選擇，力求在不損傷分類(lèi)性能的同時(shí)達(dá)到降維的目的。常用的特征選擇方法有文檔頻率方法（DF）、信息增益方法（IG）、互信息方法（MI）、CHI方法，以及期望交叉熵、文本證據(jù)權(quán)、優(yōu)勢(shì)率等方法。

1.3 分類(lèi)建模

在分類(lèi)算法的選擇上，目前存在各種各樣的文本分類(lèi)算法，如樸素貝葉斯、文本相似度法（也稱(chēng)向量空間法）、支持向量機(jī)、K-最近鄰、SVM等算法。其中樸素貝葉斯和支持向量機(jī)方法應(yīng)用比較廣泛，它們具有分類(lèi)機(jī)制簡(jiǎn)單、處理速度快的優(yōu)點(diǎn)。近些年來(lái)，隨著深度學(xué)習(xí)的興起，相關(guān)學(xué)習(xí)框架也陸續(xù)應(yīng)用到文本分類(lèi)中。

1.4 模型評(píng)價(jià)

數(shù)據(jù)挖掘中的模型評(píng)價(jià)有很多種，這里我們不考慮差異化的誤分代價(jià)，誤分情況采用混淆矩陣來(lái)刻畫(huà)，總體用“召回率”“準(zhǔn)確率”來(lái)評(píng)價(jià)模型。以下是混淆矩陣{An×n}的示意圖表示：

圖2 混淆矩陣示例

對(duì)文本分類(lèi)結(jié)果，類(lèi)別i 的“準(zhǔn)確率”（也稱(chēng)“查準(zhǔn)率”）定義為“預(yù)測(cè)類(lèi)別i的集合中，實(shí)際為類(lèi)別i的比例”：類(lèi)別i 的“召回率”（也稱(chēng)“查全率”）定義為“實(shí)際類(lèi)別i的集合中，被預(yù)測(cè)分類(lèi)為類(lèi)別i的比例”：模型的“整體準(zhǔn)確率”定義為“被正確分類(lèi)的樣本數(shù)量占全體樣本的比例”：（N為全體驗(yàn)證樣本數(shù)量）。

2 建模實(shí)驗(yàn)分析

2.1 樣本說(shuō)明

建模實(shí)例為某個(gè)運(yùn)營(yíng)商大區(qū)呼叫中心，經(jīng)智能語(yǔ)音識(shí)別工具識(shí)別，一段時(shí)間內(nèi)總共有83500個(gè)客服溝通文本文件，每個(gè)文件為一次語(yǔ)音通話的識(shí)別內(nèi)容。為了進(jìn)行文本分類(lèi)學(xué)習(xí)，先隨機(jī)抽取出3000個(gè)文本文件，安排人員對(duì)其內(nèi)容進(jìn)行人工識(shí)別，打上分類(lèi)標(biāo)簽，作為訓(xùn)練和驗(yàn)證的樣本集。分類(lèi)標(biāo)簽分為以下幾類(lèi)：

表1 文本樣本集中各分類(lèi)情況說(shuō)明

2.2 建模環(huán)境

本文建模采用python（版本3.5.2）編寫(xiě)腳本，中文分詞包采用jieba（版本0.18），文本挖掘采用通用挖掘工具包sckit-learn包（版本0.18.1），深度學(xué)習(xí)框架采用谷歌tensor fl ow（GPU版本1.2.0），軟件均在Windows 10環(huán)境下運(yùn)行。

2.3 建模操作

（1）步驟1：分詞處理

分詞之前涉及到兩個(gè)方面的工作，一個(gè)是自定義詞庫(kù)的設(shè)置，一個(gè)是停用詞的設(shè)置。自定義詞庫(kù)主要是將強(qiáng)化一些運(yùn)營(yíng)商產(chǎn)品和服務(wù)的相關(guān)術(shù)語(yǔ)、常用口頭語(yǔ)，保證分詞處理能夠被識(shí)別為詞，避免通用詞庫(kù)不能識(shí)別的風(fēng)險(xiǎn)，或者沒(méi)有必要進(jìn)行進(jìn)一步劃分。我們?cè)跇颖旧傻倪^(guò)程中，由業(yè)務(wù)資深人員確認(rèn)了相關(guān)術(shù)語(yǔ)，加載到自定義庫(kù)中，比如：“光貓”“網(wǎng)口”“翼支付”“移機(jī)費(fèi)”“信用開(kāi)機(jī)”“國(guó)際漫游”“10000號(hào)”“增值業(yè)務(wù)”等35個(gè)自定義分詞。

為節(jié)省存儲(chǔ)空間和提高搜索效率，在處理自然語(yǔ)言數(shù)據(jù)（或文本）之前或之后會(huì)自動(dòng)過(guò)濾掉某些字或詞，這些字或詞即被稱(chēng)為Stop Words（停用詞）。但是，并沒(méi)有一個(gè)明確的停用詞表能夠適用于所有的工具。因此我們根據(jù)分詞結(jié)果進(jìn)行統(tǒng)計(jì)，將出現(xiàn)頻率較高但無(wú)實(shí)際價(jià)值的分詞，加入到停用詞庫(kù)中，比如：“坐席”“為您服務(wù)”“謝謝”等。該步驟的進(jìn)一步完善與下面“步驟2”的特征提取操作結(jié)合在一起。

（2）步驟2：特征提取

基于上一步驟的分詞處理結(jié)果，我們提取出6354個(gè)特征維度（即不同分詞），我們通過(guò)文檔頻率方法（DF）進(jìn)行特征篩選，具體做法是將分詞在全部文檔中，進(jìn)行最高、最低頻率排名，通過(guò)業(yè)務(wù)甄別將頻率過(guò)多、過(guò)少，且對(duì)文檔分類(lèi)價(jià)值不大的通用溝通詞語(yǔ)，比如“請(qǐng)稍等”“如果”“那么”等進(jìn)行剔除。

我們剔除了文檔頻率超過(guò)3000的分詞，大多數(shù)是通用語(yǔ)氣詞、過(guò)渡詞，以及文檔頻率不足10的分詞，大多數(shù)是未正確語(yǔ)音識(shí)別的詞語(yǔ)。通過(guò)篩選，最終我們將參與建模的特征值數(shù)量控制在2000左右。

為了后續(xù)模型訓(xùn)練處理，將特征信息（分詞）和文檔標(biāo)簽放置到一個(gè)矩陣中去，以下是矩陣的表現(xiàn)形式，其中wij是權(quán)重參數(shù)：

圖3 文檔-特征權(quán)重表達(dá)式

wij權(quán)重的表示、計(jì)算常用以下方式：

（1）BOOL（布爾）權(quán)重，bij值為0或者1，表示特征i與文檔j是否有聯(lián)系；

（2）TF（詞頻）權(quán)重，TFij表示特征i在文檔j的出現(xiàn)次數(shù)；

（3）TF-IDF（詞頻-逆文檔頻率）權(quán)重，wij=TFij×log（N/DFi），N表示文檔數(shù)量，DFi表示特征i出現(xiàn)文檔的次數(shù)。

（3）步驟3：分類(lèi)建模

我們分別采用上述3種權(quán)重表達(dá)方式參與分類(lèi)建模。我們采用Naive Bayes（樸素貝葉斯）、SVM（支持向量機(jī)）以及DNN（深度神經(jīng)網(wǎng)絡(luò)）三類(lèi)算法進(jìn)行文本分類(lèi)的建模。其中，樸素貝葉斯和SVM在文本分類(lèi)場(chǎng)景中已經(jīng)得到廣泛的使用。我們嘗試采用深度學(xué)習(xí)框架應(yīng)用到本文本分類(lèi)場(chǎng)景中。

在深度學(xué)習(xí)算法中，DBN（深度信念網(wǎng)絡(luò)）應(yīng)用于文本分類(lèi)中，CNN（卷積神經(jīng)網(wǎng)絡(luò)）和RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）考慮到上下文因素，更多應(yīng)用到短文本/語(yǔ)句的分類(lèi)識(shí)別，從實(shí)踐來(lái)看，很少應(yīng)用在文章長(zhǎng)文本分類(lèi)場(chǎng)景。DBN算法的核心是采用無(wú)監(jiān)督的算法對(duì)模型進(jìn)行預(yù)訓(xùn)練，使得預(yù)訓(xùn)練參數(shù)在正式訓(xùn)練中得到較好的收斂效果。不過(guò)，近年來(lái)GPU計(jì)算能力得到較大提升，Relu、Dropout等建模技巧對(duì)模型參數(shù)初始化要求減低。因此，這里提出采用DNN（深度神經(jīng)網(wǎng)絡(luò)）作為深度學(xué)習(xí)的算法，綜合采用Relu、Dropout等學(xué)習(xí)技巧。DNN的模型結(jié)構(gòu)示意圖如下：

圖4 DNN建模示意圖

說(shuō)明：第1層是特征輸入層，根據(jù)特征提取步驟的處理，輸入變量為2052個(gè)；第n層（輸出層，softmax層）節(jié)點(diǎn)數(shù)量為12個(gè)，即每個(gè)分類(lèi)為一個(gè)輸出節(jié)點(diǎn)。

（4）步驟4：模型評(píng)價(jià)

3000個(gè)打好標(biāo)簽的樣本集中，隨機(jī)抽取2000個(gè)樣本參與建模，剩下1000個(gè)樣本進(jìn)行驗(yàn)證，以下是建模效果比較：

表2 三種模型的建模效果

我們發(fā)現(xiàn)，采用DNN網(wǎng)絡(luò)在訓(xùn)練集上的效果非常好，但在驗(yàn)證樣本集上驗(yàn)證有所降低。不過(guò)從驗(yàn)證樣本集效果來(lái)看，DNN效果還是最優(yōu)。由于DNN模型的TF特征選取在測(cè)試集中達(dá)到了最優(yōu)，我們確定采用它進(jìn)行建模迭代。為了進(jìn)一步檢查模型誤分的情況，對(duì)混淆矩陣進(jìn)行了進(jìn)一步的分析（標(biāo)號(hào)對(duì)應(yīng)含義請(qǐng)參考表1）：

表3 基于驗(yàn)證樣本集分類(lèi)的混淆矩陣

針對(duì)表3的混淆矩陣分析，我們發(fā)現(xiàn)預(yù)測(cè)主要問(wèn)題集中在標(biāo)號(hào)5（即“寬帶報(bào)障”類(lèi)別）的誤分上。原因是部分分類(lèi)占比太低，使得一些算法模型難以進(jìn)行識(shí)別，我們?cè)跀?shù)據(jù)挖掘中稱(chēng)之為“薄靶”，比如運(yùn)營(yíng)商客戶(hù)流失的預(yù)測(cè)（流失客戶(hù)占比在2%左右）。在這種情況下，我們可以參考其它建模領(lǐng)域中的“分層抽樣”，人為加大一些標(biāo)簽的分布占比，來(lái)處理“薄靶”的數(shù)據(jù)分布。

分層抽樣采用的具體方法，就是分別從不同的分類(lèi)中、采用不同的抽樣比值。我們將標(biāo)號(hào)5的抽樣比例從66%降低到22%，以提高其他分類(lèi)的比例。通過(guò)分層抽樣，誤分為“標(biāo)號(hào)5”的數(shù)量大大減少，驗(yàn)證樣本集的準(zhǔn)確率提升到88.3%。準(zhǔn)確率進(jìn)一步提升，模型算法的優(yōu)化是一個(gè)方向，但主要還是要依靠“語(yǔ)音識(shí)別成文本”準(zhǔn)確率的提升，我們發(fā)現(xiàn)目前在非標(biāo)準(zhǔn)普通話的識(shí)別中還存在較大差錯(cuò)率。

結(jié)合客服的日常管理要求，我們認(rèn)為準(zhǔn)確性具有一定可用性。目前已經(jīng)在客服部門(mén)布署了該模型，每月自動(dòng)分類(lèi)處理180多萬(wàn)文本文件，主要用來(lái)：（1）分析各個(gè)分類(lèi)的趨勢(shì)，發(fā)現(xiàn)異常情況；（2）同時(shí)對(duì)人工指定不一致的通話分類(lèi)進(jìn)行抽樣檢查，對(duì)話務(wù)員的錯(cuò)誤分類(lèi)進(jìn)行糾偏和考核，提升了質(zhì)檢效率。

3 結(jié)語(yǔ)

我們嘗試采用機(jī)器學(xué)習(xí)算法對(duì)語(yǔ)音轉(zhuǎn)換文本進(jìn)行自動(dòng)分類(lèi)，并達(dá)到了預(yù)期效果。在建模過(guò)程中，我們?cè)趥鹘y(tǒng)方法的基礎(chǔ)上引入了深度學(xué)習(xí)算法，通過(guò)比較發(fā)現(xiàn)在運(yùn)營(yíng)商客服的溝通場(chǎng)景下，采用“詞頻權(quán)重（TF）”結(jié)合深度學(xué)習(xí)DNN算法是最佳算法實(shí)踐。同時(shí)進(jìn)一步針對(duì)部分小比例分類(lèi)進(jìn)行分層抽樣操作，通過(guò)分層抽樣的方式，有效解決“薄靶”問(wèn)題，整體達(dá)到較高的文本識(shí)別準(zhǔn)確率，滿足了對(duì)運(yùn)營(yíng)商客服大數(shù)據(jù)進(jìn)行分類(lèi)管理的需求。