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高效解决客户查询至关重要。检索增强生成（RAG）中传统的检索方法对于大型语言模型（LLM）将大量的过去问题跟踪票作为纯文本处理，忽略了关键的问题内部结构和问题间关系，这限制了性能。我们引入了一种新的客户服务问答方法，将RAG与知识图谱（KG）相结合。我们的方法从历史问题中构建KG以用于检索，并保留内部问题结构和问题间关系。在问答阶段，我们的方法解析消费者查询并从KG中检索相关子图以生成答案。这种KG的整合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。使用关键检索（MRR，Recall@K，NDCG@K）和文本生成（BLEU，ROUGE，METEOR）指标对我们的基准数据集进行实证评估，结果显示我们的方法在MRR方面比基线提高了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，并将每个问题的中位解决时间缩短了28.6％。

本论文的问题是如何在客户服务技术支持中，快速准确地检索相关的历史问题以便有效地解决客户的问题。作者提出了一种新的方法，将知识图谱与检索增强生成（RAG）相结合，以提高检索和回答的质量。这是一个新问题，因为传统的检索方法忽略了历史问题的内部结构和相互关系，从而限制了性能。

本论文提出了一种新的客户服务问答方法，将历史问题构建成一个知识图谱，并在检索和回答阶段使用它。这种方法保留了历史问题的内部结构和相互关系，从而提高了检索的准确性和回答的质量。

本论文的实验表明，该方法在MRR和BLEU等关键检索和文本生成指标上优于基线77.6％和0.32。该方法已经在LinkedIn的客户服务团队中部署了约六个月，并将每个问题的解决时间中位数降低了28.6％。

在这个领域中的相关研究包括：1）使用预训练的语言模型进行客户服务问答；2）使用知识图谱来增强问答系统；3）使用图神经网络来处理结构化数据。