Онтологический чат-бот для экспертных консультаций по товарам

Задача

До 40% обращений в поддержку крупной федеральной сети по продаже электроники связаны с консультациями по товарам: клиент хочет подобрать телефон с сильным процессором или телевизор Samsung с большим экраном под конкретный бюджет. Такие запросы требуют человеческой экспертизы, а не просто ответа на частый вопрос. Без качественного подбора клиент упирается в препятствие перед покупкой, а нагрузка на живых консультантов растёт вместе с ассортиментом.

Решение

Рассмотрены три подхода к автоматизации экспертных консультаций: ручная проработка сценариев, end to end генеративная модель и структурированная база знаний. Ручная проработка не масштабируется на весь ассортимент, генеративная модель требует датасета, которого не существовало. Выбор пал на онтологию товаров: структурированную базу знаний, из которой бот сам строит сценарий подбора под конкретный запрос.

Онтология строится автоматически по каждой товарной категории: бренд, модель, аксессуары, товарные характеристики от поставщиков и пользовательские свойства, извлечённые из 730 тысяч отзывов покупателей методом semi supervised ATE (automatic term extraction). Так в базе знаний появляются не только паспортные характеристики, но и реальные формулировки покупателей: стиральная машина шумит, цвет телевизора подходит под дизайн кухни, удобные габариты холодильника.

Запрос пользователя разбирается нейросетевой моделью на основе BERT, которая сопоставляет свободный текст со структурой онтологии: категория, бренд, характеристики. Если данных недостаточно для сужения выборки до рабочего количества товаров, бот сам задаёт уточняющий вопрос и по ответу фильтрует дальше, пока не останется конкретный список подходящих товаров.

Результат

Например, запрос "можно подобрать телефон с сильным процессором" бот раскладывает на категорию "Телефоны" и характеристику "Частота процессора", получает 111 подходящих товаров, уточняет бренд и после ответа "Сяоми" сужает выборку до 20 товаров. Запрос "хочу какой нибудь телевизор, желательно самсунг с большим экраном" разбирается на бренд, диагональ и тип экрана, из 650 подходящих товаров бот уточняет бюджет и выводит 15 позиций под критерии.

Подход требует постоянной поддержки: мониторинг обращений, пополнение онтологии новыми товарными категориями и характеристиками по мере выхода новых моделей техники и поступления свежих отзывов. Похожая архитектура применима не только в ритейле: юридические консультации, предварительная медицинская диагностика, техническая поддержка, консультации по ремонту и строительству, везде где ответ клиенту требует структурированной экспертной базы знаний, а не просто ответа на частый вопрос.

Проект реализован Владимиром Хаванских, сейчас Data Scientist в команде Z-union, на позиции старшего аналитика разработчика центра компетенций по речевым технологиям в федеральной сети по продаже электроники. Представлен на конференции CNews "Чат-боты 2021: на пути к интеллектуальному помощнику" 7 июля 2021 года.