基于知识图谱的检索增强生成用于客户服务问答

在客户服务技术支持中，快速且准确地检索相关的历史问题，对于有效解决客户咨询至关重要。大语言模型（LLMs）中检索增强生成（RAG）的传统检索方法将大量历史问题跟踪工单视为普通文本，忽略了关键的问题内结构和问题间关系，限制了性能表现。我们提出了一种融合知识图谱（KG）的新型客户服务问答方法。该方法基于历史问题构建KG用于检索，保留了问题内结构和问题间关系。在问答阶段，方法解析用户查询并从KG中检索相关子图以生成答案。这种KG的整合不仅通过保留客户服务结构信息提升了检索准确度，还通过减轻文本分割影响提高了回答质量。在我们的基准数据集上，基于关键检索指标（MRR、Recall@K、NDCG@K）和文本生成指标（BLEU、ROUGE、METEOR）的实证评估显示，该方法在MRR上较基线提升了77.6%，BLEU提升了0.32。该方法已在LinkedIn客户服务团队部署约六个月，单个问题的中位解决时间减少了28.6%。