在現代的許多企業中，客服每天都會處理成千上萬條訊息，
但這些問題往往非常相似，例如：
「我忘記密碼了」
「可以退貨嗎？」
「我的包裹寄到了嗎？」
「太陽餅裡面有太陽嗎」
「冷凍的魚可以放生嗎?」
如果在傳統上，這些訊息就需要人工閱讀與判斷，再手動轉交到不同部門做分類。
但這樣不僅浪費人力，也會很容易發生問題，被老闆罵臭頭。
而如果能讓電腦自動判斷每個問題的「類別」，
例如「帳號問題」、「退貨問題」、「出貨查詢」、「白癡問題」等等，
那麼客服系統就能自動分配工單，大幅提升效率。
這就是今天的主題：「客服常見問題自動分類系統」。
我們將用 自然語言處理（NLP） 技術訓練一個模型，
讓它能「讀懂問題的意思」並自動判斷該屬於哪個分類。
那就讓我們直接開始吧!!!
問題分類（Question Classification 或 Intent Detection）是 NLP 的一個經典任務。
它的目標是讓電腦理解「使用者想做什麼」，
並幫助系統做出正確回應。
我也用chatGPT幫我生成了一個解釋的表格，讓大家可以看得更明白:
當我可以妥善使用這種分類後就可以幫助像是
「客服系統自動將問題分配給不同部門」
「商業分析系統統計各類問題比例」等等問題，
讓效率提高的同時辦事更輕鬆。
參考資料:
https://research.aimultiple.com/intent-classification/
一般來說，要讓模型學會分類，必須先收集大量訓練資料。
但現實中，我們常常沒有足夠的客服資料集可用。
這時候就可以使用 Zero-Shot Learning（零樣本學習) 。
它的概念是：
「即使模型沒看過這個任務的訓練資料，也能根據語意去推測最合理的分類」
因此我們只要提供一些「候選類別」標籤，
模型就能利用語言理解能力去預測哪一類最符合，
減少我們收集資料的時間。
過去我們可能使用 BERT 或 DistilBERT 進行情感或分類任務，但這些模型多以英文為主。
而客服訊息往往是「中英夾雜」或多語言的，例如：「我想退貨，Please help me！」之類的。
這時候，傳統英文模型的表現就會不理想。
而我們今天要使用的 XLM-R（XLM-RoBERTa） 是由 Facebook AI 提出的多語言預訓練模型，
就支援超過 100 種語言，其中就包含中文，同時也保留了 RoBERTa 的強大語言理解能力。
因此它在跨語言任務（如情感分析、文本分類、翻譯對齊）上表現相當優異，
也是我們今天選擇它的原因。
以下是完整的 Colab 實作版本，使用的是
Hugging Face Transformers 提供的 pipeline() 工具，
而這一版本我們就會使用剛剛說到的 XLM-R 基礎模型，
並且讓它可以在 Colab 環境直接執行。
接著我們就直接來看程式碼吧!!
# 安裝套件（只需在第一次執行時執行）
!pip install transformers torch --quiet
# 匯入 pipeline
from transformers import pipeline
# 使用多語言的 XLM-R 模型進行 Zero-shot Classification
classifier = pipeline("zero-shot-classification", model="joeddav/xlm-roberta-large-xnli")
# 定義候選分類標籤
candidate_labels = ["退款問題", "帳號問題", "商品問題", "服務問題"]
# 測試輸入文本
texts = [
"我想退貨，請問流程是什麼？",
"我登入帳號一直顯示錯誤。",
"客服都沒回覆我，太誇張了！",
"這件衣服收到時破掉了。"
]
# 執行分類
for t in texts:
result = classifier(t, candidate_labels)
print(f"問題：{t}")
print(f"預測分類：{result['labels'][0]}（信心分數：{round(result['scores'][0], 3)}）\n")
針對這段程式我想主要可以介紹幾個大重點:
在這一行中，它會自動幫你載入 XLM-R 模型與對應的 tokenizer，
並建立一個「零樣本分類」任務環境，達到減少收集資料的需求。
而在這段程式碼中，我們則是去手動定義可能的客服類別，
例如像是退款、帳號、商品、服務等等。
而模型就會根據語意去判斷哪一個最接近輸入內容。
而最後這段，其實才是這份程式碼的核心:
模型會對每一句話與所有標籤做「語意比對」，計算出每個標籤的相似度分數。
如此我們就可以透過相似度分數來判斷它的信心程度，以此來看看他是不是分對了。
最後，我們就來看看輸出的結果:
可以看到信心程度都達到了至少93%，實際驗證後的答案也都沒有錯，
代表我們今天的實作，大.成.功!
以上就是今天的內容了，明日會繼續帶來程式內容，敬請期待。
iThome鐵人賽
看影片追技術