Retrieval-Augmented Generation with Knowledge Graphs for Customer Service Question Answering

在客户服务技术支持中，迅速准确地检索相关的过去问题对于有效解决客户查询至关重要。在大型语言模型（LLM）中，检索增强生成（RAG）的传统检索方法将大量过去问题跟踪票据视为纯文本，忽略了关键的问题内部结构和问题间关系，这限制了性能。我们介绍了一种新颖的客户服务问答方法，将RAG与知识图谱（KG）融合在一起。我们的方法从历史问题中构建KG以用于检索，保留问题内部结构和问题间关系。在问答阶段，我们的方法解析消费者的查询并从KG中检索相关的子图以生成答案。这种KG的集成不仅通过保留客户服务结构信息提高了检索准确性，而且通过减轻文本分割的影响提高了回答质量。在我们的基准数据集上进行的经验评估，利用关键检索（MRR、Recall@K、NDCG@K）和文本生成（BLEU、ROUGE、METEOR）指标，显示出我们的方法在MRR方面的表现比基准线提高了77.6%，在BLEU方面提高了0.32。我们的方法已经在LinkedIn的客户服务团队中部署了大约六个月，将每个问题的中位解决时间缩短了28.6%。

论文旨在解决客服技术支持中检索相关历史问题的问题，传统的方法忽略了历史问题的结构和关系，限制了性能。

论文提出了一种将知识图谱与检索增强生成（RAG）相结合的客服问答方法，构建了一个从历史问题中提取的知识图谱，并在问答阶段使用它来生成答案。

论文的方法将知识图谱与RAG相结合，保留了客服结构信息，提高了检索准确性，并通过减轻文本分割的影响来提高回答质量。实验结果表明，该方法在各项指标上均优于基线，并在LinkedIn客服团队中实际应用，将每个问题的解决时间缩短了28.6%。

最近的相关研究包括使用知识图谱的问答方法，以及使用RAG模型的问答方法。