自然语言处理关键词提取技术在智能客服领域的应用

自然语言处理关键词提取技术在智能客服领域的应用

王正国蒙燕王艳孙钢

（国网浙江省电力有限公司电力科学研究院浙江省杭州市310000）

摘要：随着自然语言处理技术的发展，词向量化等关键技术得到突破，智能交互在人工智能领域发展迅速。国网浙江电力充分运用互联网“平台+生态”，变革服务模式，加快传统线下服务向互联网线上服务模式转变，紧跟智能交互的发展，着力改善客户服务水平。本文介绍了关键字提取两种方法，利用这两种方法对知识库与客户语句进行关键字提取。提高了知识库系统的灵活性，优化了智能客服系统的效率。该方法最终结果比传统方法更加准确，经过试用证实可用于问答机器人中。

关键词：自然语言处理；用户标签；机器学习；语义识别

ApplicationofKeywordExtractionTechnologyinNaturalLanguageProcessinginIntelligentCustomerServiceSystem

Abstract：Withthedevelopmentofnaturallanguageprocessingtechnology，keytechnologiessuchaswordvectorizationhavebeenbroken，andintelligentinteractionhasdevelopedinthefieldofartificialintelligence，andtheintelligentquestionansweringsystemhasbeendeveloped.IntheStateGridZhejiangElectricPowerfullyutilizestheInternet“platform+ecology”，changestheservicemodel，acceleratesthetransformationoftraditionalofflineservicestotheInternetonlineservicemodel，andcontinuouslyimprovestheservicelevel，whilekeepingpacewiththedevelopmentofintelligentinteraction，focusingonimprovingcustomerservicelevels.Thisarticleintroducestwomethodsofkeywordextraction，usingthesetwomethodstoextractkeywordsfromtheknowledgebaseandcustomerstatements.Improvetheflexibilityoftheknowledgebasesystemandoptimizetheefficiencyoftheintelligentcustomerservicesystem.Thefinalresultofthismethodismoreaccuratethanthetraditionalmethod，anditcanbeusedinthequestionandanswerrobotaftertrialandverification.

Keywords：Naturallanguageprocessing，usertagging，machinelearning，semanticrecognition

一、绪论

1.1研究背景及意义

现今，随着自然语言处理技术的发展，词向量化等关键技术得到突破，智能交互在人工智能领域得以发展，涌现出如智能客服等一系列成果。一方面，智能客服对于使用者来说，能够快速获取想要的信息，对使用的服务感受也进一步提高。另一方面，对于供电企业来说，新的智能交互方式无疑增加了更多的客户信息渠道，新渠道不仅能够提供更加简单、便捷的服务方式，还可通过新渠道实现目标客户的精准营销、描述客户画像的目的。

智能客服作为智能交互的重要发展之一，对客户访问的意图进行分析、理解，并根据对客户的目的分析返回客户所需要的结果。智能客服经过了较长的发展过程，最初只有电话人工服务，用户通过拨打热线，会有专门的座席人员处理客户的需求，帮助客户解决使用过程中出现的问题。虽然这种方法能够很好地解决客户的问题，但由于它是基于人力的人工热线，需要大量的业务座席人员，人力成本高、服务客户的数量有限。之后出现了以网上营业厅、手机APP等类型的服务方式。通过这些方式，客户可以自助的查询、办理业务，分担的人工电话热线的压力，节约了人力成本。但需要客户对业务有一定的了解以及对手机、电脑操作有一定的水平，同时可办理的业务较为单一，服务范围有限，导致在一定的程度上流失了一些客户。

综上所述，目前智能客服系统遇到的问题有：

（1）目前出现的客服系统，基本上为客户根据自己的需要到官网寻找相应的服务。并没有达到智能的程度。

（2）对于客户输入具有歧义信息或客户信息不完整的情况下，无法识别出客户的具体意图，从而无法提供正确的回答。客户的提问中的无关因素也是影响客户意图识别的因素之一。客户对于事件的描述可能掺杂着无关的描述，若将无关信息考虑进来，则可能会对客户的目的识别造成一定的偏差。

1.2研究现状

最早的客户服务系统的目的是希望通过客户服务系统增加服务质量，增强与用户之间的联系。他不仅能够满足客户的日常查询、办理等业务，还可以通过此进行人工回访等人性化的服务。但随着计算机的发展，人们对服务的要求越来越高，通过语音电话的服务已经无法满足人们的日常需求，加之云计算、机器学习等技术的兴起，网上智能客服系统运营而生。他结合了自然语言处理、信息检索技术等，加上企业的业务特点与服务理念，以高质量的服务来满足客户各种各样的需求，被企业大量的使用，并取得了不错的成效。与此同时，也发展出了一批在线问答客服系统。该系统应用自然语言处理，将客户的问题进行初步的理解，将知识库中的相关答案推送给客户，实现智能客户问答功能。该系统虽能够快速回答客户的问题，但识别还并不十分准确，其基本的形式有如下两种：

（1）在线客服

与电话热线相似，在线客服以文字、语言等方式利用互联网技术实现客户与客服之间的对话。这种形式减少了电话热线的压力，及时的解决客户的问题，同时还能增加客户与客服之间的互动，在一定程度上减少了企业的人工成本。

（2）在线客服机器人

在线客服机器人是将机器人取代客服人员，实现客户与机器人的直接交流，机器人理解客户的目的并为之解决问题。在线客服机器人分两种服务方式，一是问答系统，二是任务型系统。问答系统目前比较常见的有FAQ，是利用自然语言处理将客户提出的问题与知识库的知识点匹配，抽取最合适的答案推送给客户。任务型系统比较问答系统较为复杂，任务型系统会根据客户的需求办理业务，将客户的问题通过自然语言处理语义理解，再帮助客户办理业务。该方法较为准确且高效且也可应用于问答系统，但在语义理解上任是业界难以解决的问题。

由上述可以看到，客服系统正从传统的电话热线到在线客服，再从在线客服到在线机器人的发展过程，人们使用客服系统变得更加便捷，更加友好，更加准确。但由于目前的发展还不能完全由机器人取代人工客服，能够解决的也只是一些简单的问题。客户问题理解的难题，目前任然在不断研究。本文介绍了关键字提取两种方法，利用这两种方法对知识库与客户语句进行关键字提取。提高了知识库系统的灵活性，提高了智能客服系统的效率。

二、智能客服系统

在线客服系统经过互联网的发展，已然成为了网站客户服务、辅助网站销售不可缺少的工具。企业越来越重视客户在使用在线客服时的使用感与解决问题的能力。因此，在线客服系统除了能够实时查询以外，还能办理业务、预约订购等。随着机器学习的兴起，人工智能进入了客服领域，自然语言处理在文本处理大显身手的同时，智能客服系统悄然而生。

在线客服系统以企业官网或企业微信公众号等载体，加入了客服功能。客户在日常查询与办理业务上非常方便，不在需要拨打手机号码的方式进入客户系统。因此在线客服在近几年一直成为企业客户服务系统中不可或缺的模块之一。在线客服拥有着快速、便捷的特点，通过与客户直接的文字交流，就可以在线帮助客户办理业务，同时也可使用表情工具等手段，拉近与客户的关系。但随着服务意识的加强，人工客服上的压力越来越大，一个客服只能同一时间服务一个客户，若出现突发情况，则会出现客服繁忙，造成客户的流失。同时，虽然知识库系统已投入使用，但对一个客服人员的上岗培训、业务知识学习等需要耗费一定的财力与时间才能让其去工作。

智能客服系统的出现，解决了在线客服系统遗留的问题。智能客服系统以客户与智能机器人文字对话的形式，回答客户提出的问题，不仅如此还可以帮助客户办理相关业务。同时智能机器人以俏皮可爱的额回答方式，吸引着客户。智能客服系统可以实现在线客服的客户引流，减轻在线客服的压力，提升客户的使用感。

传统的在线客服系统与客户交流机制如下：

客户进入在线客服，对客服提出问题，客服理解了客户的问题之后，对客户提出的问题进行知识库上的查询（此部可省略），最后以文字输入的方式回答客户提出的问题。

智能客服系统与客户交流机制如下所示：

客户进入智能客服系统，对客服提出问题，智能机器人对客户提出的问题进行关键字提取、语义理解等自然语言处理操作，进入知识库中对客户问题进行匹配，将最佳匹配结果输出得到答案。

以上对比我们可以看到，在线客服系统需要人工去查询客户所要的信息并输出给客户，而智能客服则能够以及其快的速度理解客户的问题，并将已经预设好的答案直接输出给客户，节省了客户的时间，并增加了客户的体验感。

智能客服系统有如下几个关键步骤：

1、对客户问题进行语义理解

2、对客户提出的问题匹配正确的答案

下面将围绕这两个问题进行叙述如何实现智能客服系统。

1、客户问题的语义理解

在介绍客户问题的语义理解之前，先介绍如何对客户话语进行自然语言处理。自然语言处理即为对文本的处理，将文本化为计算机能够识别的语言。当拿到一个自然语言文本时，需要对其进行分词处理。分词是指将大量的非结构化的文本数据切分为一个个独立且具有语义的词语。目前已有较好的分词方法（如：基于字符串匹配的分词方法、基于统计的分词方法等）将句子分为若干个独立的词语。分词结束后对词语进行词性标注，名称、动词、形容词等。将分好、标注好的词语进行向量化，向量化的方法有很多，基于向量空间模型的独热法、基于分布表示的Word2vec，最后就成为了人工智能领域能够处理的高维向量。一个句子中有多个词语组成，那么就有多个词语向量，通过卷积神经网络、循环神经网络等机器学习方法，就可以将多个词语向量变成一个固定维数的向量，而这一个向量就是上文所提到的语义向量。

还有一种方法是以关键词提取法，提取客户问题的关键词，以此代表客户询问的问题。

其中的流程如下图所示：

2、客户提出的问题匹配正确的答案

对客户提出的问题进行答案匹配目前有多种方法，下面将介绍较多使用的两种方法。第一种是基于关键词检索技术。该技术应用于对客户问题的关键字检索，先对智能客服知识库的知识点进行关键词提取（应用较多的为TFIDF法，下文将对此描述），并对提取出来的关键词进行保存，当客户提问时，对客户提出的问题进行关键词检索，输出与客户问题匹配的知识点。第二种方法则是利用语义理解技术。当客户提问时，对客户进行语义理解化为一个固定维数的语义向量，并与知识库中的知识点进行匹配，返回匹配度最高的知识点作为答案输出给客户。

流程图如下所示：

综上所述，在线客服由于耗费较大的人力成本与较为长的上岗学习时间，智能客服系统逐渐登上了客服领域的舞台并展现其优越性。智能客服的发展归功于自然语言处理技术的突破，虽然在语义理解上还是个难题，但在关键字提取技术的发展，已取得了不错的成绩，下面介绍自然语言处理中关键字提取技术在知识库关键词提取与客户语义提取中的应用。

三、技术及特点分析

客户与在线客服的交流其实是通过自然语言的交流，由客户发出提问，再由在线客服回答。所以在线客服问答机器人的关键就是怎样将客户的问题转化为机器可以识别的形式，再基于机器的识别选择合适的回答推送给客户，由此可见自然语言的语义识别显得尤为重要。在自然语言处理中，常用到的语义识别有：关键词提取、词语相似度计算、神经网络等，本文将主要介绍以上三种方法。

3.1关键词提取

关键词提取方法是客户在与问答系统交流的时候，对客户的问题进行关键词扫描，将出的关键词来确定客户想要询问的对象。目前，关键词方法得到了一定的发展，其相关技术不仅可以用到语义识别领域，还可以用到文本挖掘、文本分类、文本分词等。

3.1.1TFIDF方法

TFIDF方法是基于统计法的典型代表。统计方法的语义识别认为：那些在某一个文档出现的高频词语，且他们在别的文档低频出现，那它认为这些词语能够代表着该文档的语义识别。但那些在每个文档中都高频出现的词语都将会被忽略，且往往一些重要信息并非会频繁出现在文档中，由此造成了语义识别上的偏差。TFIDF方法正是用这种思想，该方法通过计算文档中每个词语的TFIDF值来获取值较高的前几个词作为该文档的语义识别。其计算公式如下所示：

设文档集合为Q，N表示Q的全部文档的数量。在其中一个文档a，利用TFIDF的计算方法计算给定的字符串t的权重公式为：

TF表示字符串t在文档a中出现的频率，其中，k为t在a问答出现的次数，m为a文档词语总数。IDF则表示该文档的反转概率，n为文档集合Q中包含字符串t的文档数量。

由此可知，当字符串t在文档a中出现的频率高，并且在整个文档集合Q中出现的频率较低，则字符串的TFIDF权重较高，故能反映出字符串在该文档能够用来表达该文档的内容。单纯以"词频"衡量一个词的重要性，但若重要的词出现次数并不多，则会出现错误关键词提取。而且无法体现词的位置信息，出现位置靠前的词与出现位置靠后的词，都被视为重要性相同，这不太全面。

3.2词语相似度计算

问答系统接收客户的问题有多种类型，其处理的自然语言信息也各种各样，相似度计算似乎是解决客户不同方式提问的好方法。词语相似度计算假设是：凡是语义相近的词语，他们的上下文也应是相似的。因此该方法对于两个词的相似度计算建立在他们相关词向量相似度基础上。首先需要选一组特征词，计算该特征词语每一个词的相关性，于是每一个词都可以得到一个相关性特征词向量，然后在计算这些词向量之间的相似度，相似度的计算一般使用向量余弦的计算结果为这两个词的相似度。

由此可以看到，词语相似度计算的基础在于词语向量化，一个好的词语向量能够以较小的维度很好地表达词语所代表的意思，避免维灾难的同时又能够方便后面的语义理解。目前较为常用的词向量化有：向量空间模型、词分布表示。

3.2.1分布表示

分布表示指的是对于一个客观对象的多维度向量表示，通常具有低维、连续、稠密的特性。该方法基于语义分布假设：上下文相似的词，其语义也相似。该假设指出，一个词的意义是由与其共现的上下文决定的。由此假设发展而来的分布表示有三种：基于矩阵的分布表示、基于聚类的分布表示、基于神经网络的分布表示。

1、矩阵的分布表示的主要思路是构建一个共现矩阵，矩阵中的每行对应一个词，每列表示一种上下文，每个元素的值为对应词与上下文在语料库中共现的次数。故每个单词可由矩阵中对应的行向量表示，任意两个词的相似性可由他们向量的相似性来度量。

将共现矩阵记作Ｆ，大小为Ｗ*Ｃ，其中Ｗ为词典大小，Ｃ为上下文集大小。行向量记为单词Ｗ的特征表示。基于共现矩阵的词向量表示一般具有很高的维度，且非常稀疏，可使用降维技术可将其转换为相对低维、稠密的向量，并减少噪音影响。常用的降维技术有奇异值分解，典型关联分析和主成分分析等。进而得到单词的低维向量表示。

2、该算法是一种层级聚类方法，词由聚类结果产生多层类别表示，因此当两个词的相似度可根据他们的公共类别判断。布朗聚类的中心思想是：当前词的类别会受其前驱词的类别影响，且语义相似的词拥有类别相近的前驱词。给定一条语句（），函数C表示词与类别的映射关系，布朗聚类需要最大化的似然估计：

布朗聚类只考虑了前驱词的语义影响，即他仅使用前驱词作为上下文信息。

3.3BP神经网络

BP神经网络是一种按误差逆向传播算法训练的三层前馈神经网络。由下图所示，它由一层输入层、一层隐含层、一层输出层组成，同层的神经元互不影响，相互两层之间没有反馈作用。数据从输入层进入网络，经过各层的隐含层进行处理，最终达到输出层。若计算的输出不在设定的范围内，则会进入误差的反向传递，反向传递的过程是先到达隐藏层将各个神经元的权值与阈值经行调整，最后到达输入层，从而使BP神经网络的计算输出在设定的范围内。

图4.1

上图中，为输入层的输入值，为输入层各个神经元的权重，为隐含层的权重，为输出层的输出值。为激活函数，它的作用为使得输出值保持在一个范围之内。

对于不同的问题，所运用的激活函数是不同的，通常BP神经网络的激活函数有以下三种：

（1）阶跃型：

输出值为0或1；

（2）线性型：

输出值任意，但当神经网络复杂时，该函数不适合作为激活函数；

（3）sigmod型：

该函数具有非线性、单调且无限可微，故一般常用此函数作为激活函数。

2.3.1BP神经网络算法

BP神经网络算法可以分为以下三个步骤：

（1）正向传播：从输入层输入数据，数据经过隐含层传播到输出层，计算输出层的输出值。

（2）反向传播：由第一步的输出值与真实值所产生的误差反向传播，将误差逐步从输出层向输入层传播，期间逐层不断的调整权值，最终到达输入层。

（3）以上两个步骤重复进行，直到输出层的误差达到设定的理想误差则停止。

四、语义理解在智能问答上的应用

供电企业的传统客服系统是通过客户与座席人员的交流来达到解决客户问题的目的。随着自然语言处理技术中语义识别的突破，这一种模式逐渐被打破，人工智能踏入客服领域，不断涌现出客服机器人即智能客服，实现客户与机器人的问答交流。

4.1关键字提取技术在知识库系统的应用

知识库是企业在运营过程中形成的具有结构化、易操作、易利用、易储存、可传承的知识集群，这些知识包括了企业的业务模型、数据模型等，因此知识库里的知识量是十分巨大。座席人员对于知识的学习与掌握有限，无法清楚的了解每一个知识点，在遇到无法解决的问题时，需要利用知识库检索相关知识中的关键字，将知识点从知识库中提取出来，及时回答客户的提问。

传统的知识库是与客服系统分离，当客服遇到无法解决的问题是，主动的到知识库中进行检索相应的知识点。这种方法耗时长，操作起来比较麻烦，尽管可以回答客户的问题，但当客户提出关联问题时，则无法将多条知识点同时输出，造成座席人员的不便。本章将自然语言处理中关键字提取应用于知识库系统中，将知识库系统与客服系统相结合，实现客户提问，知识库知识点自动推送的目的。

自然语言处理中关键词提取技术可将不同文档的关键字提取出来，以提取出来的关键字代表该文档的内容。其中应用最多的是TFIDF算法，该算法被广泛应用与文本分类、文本关键字自动生成等。本文将选取国家电网智能互动网站中的两个例子结合TFIDF算法说明知识库与关键字提取的应用。

例一：什么是居民分户电采暖客户？

居民分户电采暖客户是指不具备集中供暖，采用以下分户独立供暖设备，由北京市电力公司对其分户计量，且以电能为唯一采暖能源或以电及新能源混合能源采暖的居民客户：电锅炉、蓄能式电热器、电热膜、电地热、中央空调、以电及新能源混合的分户采暖设备。

将上例运用自然语言处理中的分词技术，将上例分词的同时剔除停用词，得到如下的结果：居民、分户、电采暖、客户、不具备、集中、供暖……

例二：窃电违约用电处罚

供电企业对查获的窃电者，应予制止，并可当场中止供电。窃电者应按所窃电量补交电费，并承担补交电费三倍的违约使用费。拒绝承担窃电责任的，由供电企业报请电力管理部门依法处理。构成违反治安管理行为的，由公安机关依照《治安管理处罚条例》的有关规定予以处罚，构成犯罪的，依照刑法第一百五十一条或者第一百五十二条的规定追究刑事责任。

将例二以例一同样的方法处理，得到：供电、企业、查获、窃电者、制止……等词语。

将以上分出来的每一个词语都统计该词语在文档中出现的次数及TF值，将得到的结果代入下式中：

k为关键字在关键字所在例子中出现的次数，m为关键字所在例子词语总数。N为文档的数量，本例中N=2；n为文档集合Q中包含字符串a的文档数量。

经过计算，得出了以下的TFIDF值，选取前三个值作为文档的语义识别。

例一：能源、采暖、供暖

例二：窃电、窃电者、补交

对这两个知识点的关键字提取完成，当客户提问时，对客户的问题进行关键字的识别匹配，涉及知识点的关键字时，知识库系统自动输出相关的知识点到客户的对话框中，辅助座席人员回答客户的提问。

4.2神经网络对客户语句进行关键字提取

BP神经网络是一种按误差逆向传播算法训练的三层前馈神经网络，及输入层、输出层、隐含层。利用BP神经网络对客户语句关键字提取实际上是对客户语句分词并去除停用词后，得到的的关键词提取。对词语集合T的关键词提取将从其词语的语义、词语自身属性、词语的位置展开。

语义信息：（1）词性：客户语句中不同的词语词性成为关键字的概率不同，对不同词性的词语赋予数值，建立如下表格，旨在考虑词性作为神经网络输入层的一个参考因素。

（2）词语关联度：词语与词语之间存在着一定的关联关系，因为话语中的词语之间是相互依存的。本文利用Word2vec来将词语向量化，并利用余弦公式计算词语间的关联度。

（3）命名实体识别：命名实体指在语句中出现的人名、地名等实体信息，这些信息往往具有特殊的意义。本文采取NLPIR汉语分词系统中的命名实体识别功能，用于客户话语中出现的命名实体进行标注，属于则取1，否则取0。

自身信息：

（1）词频：用户在话语中多次提到的词语，对于成为关键词的可能性会很大。

（2）词语长度：越长的词语表示的信息就越丰富，其成为关键词的可能性很大。

位置信息：词语在句中出现的第一次的位置信息。，其中为首次出现的位置信息，L为句子的句长。若该词语出现两次及两次以上时，则需要加上词跨度来度量该词在句中的位置信息。词跨度，其中为该词最后出现的位置，为第一次出现的位置。

将上述3个维度中的7个指标作为神经网络的输入向量，构建BP神经网络，该神经网络是一个输入层里包含7个输入神经元，若干个隐含层和一个输出层包含一个输出神经元。对于每一个词语获取出来的结果，我们对他设定一个阀值。当该词经过BP神经网络模型后的输出结果大于阀值时，便认为该词语是该句子的关键词。

其主要流程如下图所示：

针对浙江国网电力的故障报修一次办结语料数据，运用BP神经网络模型提取各个句子的关键词。

在正式介绍之前，先人工的对这200条数据进行人工提取关键词，是关键词的标记为1，不是关键词的标记为0。

如：哎你好麻烦帮我查一下那个停电信息啦我户号报给你吧。

以上的这条预料关键字结果为：停电、信息、户号。将这三个词标记为1，其余的标记为0，这样就得到了一批结果数据。

你好（0）麻烦（0）帮我（0）查（0）一下（0）那个（0）停电（1）信息（1）啦（0）我（0）户号（1）报（0）给你（0）吧（0）。

上文有提到，由于考虑7个评价关键词的指标，那么输入层的神经元个数就是7个，且最终输出是是否是关键词，为二分类问题，则输出层的神经元个数为2。现在只要确定隐含层有多少个神经元、激活函数与学习效率就可以把BP神经网络组建完成。

由于BP神经网络是单层隐含层，故只需考虑该隐含层神经元个数即可。本文将应用经验公式与模型调试来确定隐含层神经元个数，其经验公式如下：

其中，i为输入层神经元个数，j为隐含层神经元个数，为输出层神经元个数，为一个之间的常数。由此可知，隐含层的神经元个数范围在（3，13），经过一个一个的不断调试，最后确定的隐含层神经元个数为10个较为合适。

学习效率的取值一直都是构建神经网络的关键点，并且也是难点，过小的学习效率会使得训练速度过慢，过大的学习效率会使得模型难以收敛。本文将通过经验函数与实际的模型调试来确定学习效率，其经验函数为：

其中j为隐含层的神经元个数。本文中，经过不断的调试，最终拟合的学习效率为0.035。

最后为激活函数的选取，主要的激活函数有三种，分别为：阶跃型、线性型、sigmod型。本文主要使用的是sigmod型，在不断试验对比中，发现sigmod型较为合适。

将训练好的BP神经网络模型应用于测试，发现得到了不错的效果。由于训练数据为同一业务类型的数据，其差异并没有很大，所以在模型训练结果上达到了82.3%的关键字提取准确率，取得了较好的效果，可以运用于实际场景。

五、电力客服场景应用

目前在客服系统的建设中，知识库系统已投入使用，关键字提取技术在知识库系统上的应用就可以根据客户的问题的关键字将相关知识点输出至对话框中，以快速简便的方式完成对客户的回答。若客户的语义是办理业务时，可以根据客户语句进行关键字提取技术对客户的意图进行了解并推送相关的接口，以快速的方式回答客户。

举例如下。

场景一：

当客户提问：电价按用电性质分哪几类？

此时对客户的问题进行关键字提取，得到：电价、用电、性质、类这些关键字信息。在知识库系统上，将这些关键字与知识库系统中的关键字匹配，将相关知识点输出。

知识库：目前电价按用电性质主要分为：居民生活、一般工商业（非居民照明、商业、非工业、普通工业）、大工业、农业生产四大类。

场景二：

当客户提问：我老是断电，我要报修！

此时对客户的问题进行关键字提取，得到：断电、报修这两个关键字。与知识库中的知识点关键字相匹配，输出关于报修相关方法与链接，为客户办理报修业务。

与传统的在线客服系统相比，智能客服系统有着快速便捷的特点，可以快速帮客户处理问题，提升客户的服务感受。

参考文献：

[1]岳芸.电商客服自动问答系统的商品意图识别[D].五邑大学，2016.

[2]俞科峰.中国电信多媒体智能客服系统的研究与实现[J].移动通信，2015，39（01）：91-96.

[3]李斐，邵晓东，周力恒，金阳.智能客服机器人的现状及发展[J].中国传媒科技，2016（04）：67-69.

[4]陈洋.基于文法规则匹配的智能客服多业务语义理解系统的设计与实现[D].安徽大学，2017.

[5]朱频频，张旭东.人工智能在智能客服领域的应用[J].信息技术与标准化，2017（11）：23-26.

[6]胡馨元.基于微信服务号的企业智能客服系统的设计与实现[D].沈阳师范大学，2017.

[7]王灿辉，张敏，马少平.自然语言处理在信息检索中的应用综述[J].中文信息学报，2007（02）：35-45.

[8]王宇，邵洪雨.基于主题词提取的国内自然语言处理研究现状分析[J].情报科学，2013，31（03）：151-155.