作者：Mostafa Ajallooeian, Athanasios Giannakopoulos（瑞士电信）

电信运营商瑞士电信不断收到来自客户的书面查询，通常是关于账单查询、客户数据变更（如地址）、产品支持（如合同套餐或互联网访问）。在对每个查询采取行动之前，瑞士电信的分流团队首先对它们进行分类，以便对请求进行充分的分类和处理。然而，大多数客户提出的查询过于复杂，无法通过自动方式进行分流，因为客户表达意图的方式多种多样。因此，无论是基于规则的方法还是现有的机器学习解决方案都无法解决这个问题，因为它们留下了太多未检测到的问题。

瑞士电信认识到需要一个平台，该平台允许我们使用各种方法来构建深度定制的机器学习模型——经过一番探索，我们确定 TensorFlow 及其易于使用的 Keras API 能够填补现有解决方案留下的空白。因此，在 2016 年，瑞士电信的数据科学家学习并采用了 TensorFlow 开源机器学习平台。

然后，数据科学家团队使用 tf.keras 进行初步测试，并在之后进行集成并创建更大的架构。瑞士电信使用 GPU 基于传统的构建模块构建了定制模型，并使用 Tensorboard 监控每个模型的每日进度。我们高度依赖混合了各种神经模块（例如全连接层 (FC)、卷积 (CNN)、循环单元 (RNN)）的定制架构。我们发现，来自各种元素组合的信息增益是最终性能的主要驱动因素，最佳组合取决于问题。由于使用了 TensorFlow，瑞士电信能够构建一个可运行的部署系统，解决了他们在通过电子邮件和聊天对传入客户查询进行分类时遇到的两个最大问题。

聊天意图和电子邮件分类

瑞士电信部署的基于 TensorFlow 的解决方案现在允许快速对聊天对话中的客户意图进行分类（聊天类别一直在不断发展，但现在已有 40 多个类别）。通过分析简短的查询（短信长度或更短），该模型能够确定客户的意图是更换 SIM 卡、修改手机合同，还是征求产品建议，以及其他许多可能性。

此外，瑞士电信对电子邮件使用自动路由技术。这种通信类型中更丰富的内容允许在数量级更多的类别之间进行区分。电子邮件也更加多样化——从自动回复到单行回复，再到一页文本。电子邮件路由模型很大，包含超过 100 万个参数，有两个卷积层和两个全连接层。该模型还用于自动回复的迁移学习。它是在 0.5M 个数据点上训练的，包含电子邮件文本和元数据。

该解决方案的结果令人鼓舞。在电信行业，将客户支持外包到以英语为第二语言的国际地区是一种常见的做法。通过 TensorFlow 将我们的运营保留在内部，与标准方法相比，分类准确率提高了 10% 以上。在电子邮件分流的情况下，收益更高，达到了 22%。您可以在 research.swiscom.ai 了解更多信息。