应用于客服场景的GPT
Retrieval-Augmented Generation with Knowledge Graphs for Customer Service Question Answering
用于客户服务问答的知识图检索增强生成

论文地址：https://t.co/L0m4gvrRTP

这张图展示了一个使用知识图谱构建、检索和问题回答的系统的整个工作流程，尤其是在技术支持和问题解决方面。下面是各个部分的详细说明：

知识图谱构建（Knowledge Graph Construction）

原始数据：图中的输入数据是一些技术支持的工单（Tickets）。
解析和连接：系统首先解析工单数据，并在工单之间建立连接，比如“CLONE_FROM”表示一个工单是基于另一个工单克隆的。
向量数据库：工单信息被转化为文本嵌入，并存储在向量数据库中，以便进行高效的相似性检索。
检索和问题回答（Retrieval and Question Answering）

问题解析：在实际应用中，用户可能会提出具体的问题，例如如何解决特定的技术问题。
实体检测和意图分类：系统识别出问题中的关键实体（如“CSV upload error”）和用户的意图（如“Steps to Reproduce”）。
嵌入检索：使用先前构建的向量数据库，系统检索与问题相关的最相关的工单。
答案生成：基于检索结果，系统生成解决问题的步骤或答案。
图中的详细步骤

内部工单树解析：识别单个工单内部的结构。
工单间连接：建立工单之间的关系。
节点值文本嵌入生成：将工单的文本内容转换成嵌入向量，以支持后续的文本相似性比较。
实体检测和意图分类：解析用户查询，提取关键信息，并分类用户的查询意图。
嵌入式检索和过滤：使用嵌入向量检索相关的工单，然后根据问题的特定需求（如优先级和问题类型）进行过滤。
答案生成：根据检索到的信息，生成用户所需的答案或操作步骤。
应用场景

这种类型的系统通常应用于客户支持、IT服务管理等领域，可以自动化处理常见的技术问题，提高问题解决的效率和准确性。通过知识图谱的构建和高效的检索机制，系统能够理解和处理复杂的用户查询，提供准确的解决方案。

点击图片查看原图