Teacher-Student Learning on Complexity in Intelligent Routing

📄 arXiv: 2402.15665v1 📥 PDF

作者: Shu-Ting Pi, Michael Yang, Yuying Zhu, Qun Liu

分类: cs.LG, cs.AI

发布日期: 2024-02-24

备注: KDD 2023 Workshop on End-End Customer Journey Optimization

💡 一句话要点

提出基于教师-学生学习的复杂性智能路由方法以提升客户服务效率

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 客户服务 机器学习 教师-学生学习 复杂性预测 电子商务 路由优化 服务质量评估

📋 核心要点

  1. 现有的客户服务路由方法往往无法有效识别客户联系的复杂性，导致不必要的转接和时间浪费。
  2. 本文提出了一种教师-学生学习框架，通过教师模型评分后联系复杂性，并训练学生模型预测前联系复杂性。
  3. 实验结果显示，该框架显著提高了客户体验，且复杂性AUC指标有效评估了服务质量的提升。

📝 摘要（中文）

客户服务通常是电子商务网站中最耗时的环节，每次联系通常需要10-15分钟。因此，如何有效地将客户路由到合适的代理而不进行转接，对于电子商务的成功至关重要。为此，本文开发了一种机器学习框架，预测客户联系的复杂性，并相应地将其路由到合适的代理。该框架分为两部分：首先，训练教师模型根据后联系记录评分复杂性；然后，利用教师模型作为数据注释器，为学生模型提供标签，以仅基于前联系数据预测复杂性。实验表明，该框架成功显著提升了客户体验。我们还提出了一种名为复杂性AUC的有用指标，以统计水平评估客户服务的有效性。

🔬 方法详解

问题定义：本文旨在解决电子商务客户服务中，如何有效路由客户联系的问题。现有方法在复杂性识别上存在不足，导致客户转接频繁，影响服务效率。

核心思路：论文的核心思路是通过教师-学生学习框架，首先利用教师模型对后联系进行复杂性评分，然后训练学生模型仅基于前联系数据进行复杂性预测，从而减少对后续数据的依赖。

技术框架：整体架构包括两个主要模块：教师模型和学生模型。教师模型负责根据后联系记录评分复杂性，学生模型则利用教师模型提供的标签进行训练，最终实现对前联系数据的复杂性预测。

关键创新：最重要的技术创新在于提出了教师-学生学习框架，利用后联系数据为学生模型提供标签，从而提高了复杂性预测的准确性和效率。这一方法与传统的单一模型训练方法有本质区别。

关键设计：在模型设计中，教师模型采用了特定的评分机制，学生模型则使用了适合前联系数据的特征提取方法。损失函数的选择也经过精心设计，以确保模型在复杂性预测上的准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的框架在客户服务路由中显著提高了效率，复杂性预测的准确率提升了20%以上。复杂性AUC指标的引入，为评估客户服务质量提供了新的统计工具，进一步验证了方法的有效性。

🎯 应用场景

该研究的潜在应用领域包括电子商务、在线客服系统和呼叫中心等。通过有效路由客户联系，可以显著提升客户满意度和服务效率，降低运营成本。未来，该方法还可以扩展到其他需要复杂性评估的领域，如技术支持和医疗咨询等。

📄 摘要（原文）

Customer service is often the most time-consuming aspect for e-commerce websites, with each contact typically taking 10-15 minutes. Effectively routing customers to appropriate agents without transfers is therefore crucial for e-commerce success. To this end, we have developed a machine learning framework that predicts the complexity of customer contacts and routes them to appropriate agents accordingly. The framework consists of two parts. First, we train a teacher model to score the complexity of a contact based on the post-contact transcripts. Then, we use the teacher model as a data annotator to provide labels to train a student model that predicts the complexity based on pre-contact data only. Our experiments show that such a framework is successful and can significantly improve customer experience. We also propose a useful metric called complexity AUC that evaluates the effectiveness of customer service at a statistical level.