Онтологический чат-бот для экспертных консультаций по товарам

Задача

В федеральной сети электроники до 40% обращений в поддержку были связаны с вопросами о товарах. Покупателю требовалось подобрать технику под свои критерии. Решение разработано специалистом команды во внутреннем центре компетенций сети до присоединения к Z-union; проект представлен как опыт команды.

Как устроена база знаний

Для экспертных консультаций выбрали товарную онтологию: структуру, связывающую категории, бренды, модели, аксессуары, технические характеристики и пользовательские свойства. Она позволяет строить подбор по данным каталога.

При создании онтологии использовали спецификации поставщиков и 730 тысяч отзывов покупателей. Из отзывов извлекали термины методом semi-supervised ATE. Так в базе появляются свойства, которые покупатели описывают своими словами: шум стиральной машины, удобство габаритов холодильника, соответствие цвета интерьеру.

Диалог подбора

Нейросетевая обработка на основе BERT сопоставляет свободный текст со структурой базы знаний. Если критериев недостаточно, бот задает уточняющий вопрос и использует ответ для фильтрации каталога.

В демонстрационном примере запрос телефона с сильным процессором дает 111 товаров. После уточнения бренда Xiaomi остаются 20. В другом примере запрос телевизора Samsung с большим экраном дает 650 товаров; уточнение бюджета сокращает список до 15. Эти числа иллюстрируют конкретные диалоги и состав каталога на момент показа.

Результат и поддержка

Показан механизм экспертного подбора, в котором запрос и ответы покупателя последовательно сужают список товаров. Поддержка решения включает анализ ошибок и переходов к оператору, обновление категорий и характеристик, пополнение знаний свежими отзывами.

Опыт представлен на конференции CNews 7 июля 2021 года. Для ассортимента со сложным выбором подобная архитектура применима в заказной разработке консультативного бота.