Success Story - rus

Тематическая кластеризация диалогов

Мотивация запуска проекта заказчиком: 
Для аналитиков КЦ важно быстро понимать, какой состав тем есть в корпусе диалогов, чтобы быстро проводить автоматизацию работы. Построение такой таксономии полностью вручную - очень трудоёмкая задача, которая требует автоматизации. 

Описание исходной ситуации: 
Автоматизация ответов операторов контактного центра предполагает наличие таксономии проблематик, с которыми обращаются клиенты. Такая таксономия позволит провести категоризацию обращений с последующей их обработкой. При сотрудничестве с большим числом контактных центров различной тематики необходима система быстрого анализа корпуса диалогов. Требуется создать инструмент автоматического построения готовых таксономий для корпусов диалогов.

Решение MIL Team: 
  1. Запросили у партнера размеченную выборку синонимичных диалогов, которая помогла сравнить разные модели и настроить её параметры для решения конкретной задачи. 
  2. Мы проверили несколько методов решения задачи: различные нейросетевые подходы к поиску парафраз и иерархические мультимодальные тематические модели. Тематические модели показали себя лучше.
  3. Финальное решение было упаковано в Docker-контейнер, реализующий бизнес-логику, необходимую для партнера.

Итоги:
- Снижение нагрузки на аналитика
- Снижение времени выявления новых категорий
- Определение новых интентов в потоке обращений

Разрешенные сложности
- Модель, устойчивая к смене тематики
- Устойчивость модели при смене размера текстового корпуса
- Исправление опечаток (в том числе для корпуса с очень специфичной лексикой)

Заказчик: Телеком

Технологический стек: TopicNet, BigARTM, Flask, Python, PyTorch, gensim, UMAP
NLP Research Group CC Prompter