CARE: A Clue-guided Assistant for CSRs to Read User Manuals

要約

ユーザー マニュアル、特に情報量の多いユーザー マニュアルを読むときに、顧客サービス担当者 (CSR) 向けの読み取りアシスタントを構築すると、時間を節約できます。
現在のソリューションは、ユーザーの質問や考えられる応答に対する注意が欠けているため、オンライン カスタム サービスのシナリオにはあまり適合しません。
そこで私たちは、時間を節約し、CSR を注意深く読むための CARE という名前のアシスタントを開発することを提案します。
これは、CSR が明示的な手がかりチェーンを介してユーザー マニュアルから適切な応答を迅速に見つけるのに役立ちます。
具体的には、それぞれの手がかりチェーンは、ユーザーの質問と一致する質問の手がかりから始まり、考えられる応答で終わる、ユーザーマニュアルを推測することによって形成されます。
教師ありデータの不足を克服するために、モデル学習に自己教師あり戦略を採用します。
オフライン実験では、CARE がユーザーマニュアルから正確な応答を自動的に推測するのに効率的であることが示されました。
このオンライン実験では、CSR の読書負担を軽減し、高いサービス品質を維持する CARE の優位性がさらに実証され、特に費やされる時間が 35% 以上削減され、ICC スコアが 0.75 以上を維持しました。

要約(オリジナル)

It is time-saving to build a reading assistant for customer service representations (CSRs) when reading user manuals, especially information-rich ones. Current solutions don’t fit the online custom service scenarios well due to the lack of attention to user questions and possible responses. Hence, we propose to develop a time-saving and careful reading assistant for CSRs, named CARE. It can help the CSRs quickly find proper responses from the user manuals via explicit clue chains. Specifically, each of the clue chains is formed by inferring over the user manuals, starting from the question clue aligned with the user question and ending at a possible response. To overcome the shortage of supervised data, we adopt the self-supervised strategy for model learning. The offline experiment shows that CARE is efficient in automatically inferring accurate responses from the user manual. The online experiment further demonstrates the superiority of CARE to reduce CSRs’ reading burden and keep high service quality, in particular with >35% decrease in time spent and keeping a >0.75 ICC score.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google