问答流程智能化应用

搭建问答社区，需特定的模型来识别问题的质量和分类，否则容易导致无效问题会一直下发给坐席或其他用户进行查阅。同时大部分用户的提问大同小异，可采用统一的标准回答来解答。

搭建标准化的问答知识库，可以指定标准问题和回答，对问题进行统一分类。搭建问题的质量判断，可以有效识别出用户提问的精准度和有效性，可以释放更多坐席时间来解决有效问题，降本提效。

同时招募一群优质的用户专家，用户作为稍微专业等人员可自主报名参与解答用户群体，节省坐席人力，提高回答时效。

一、问答功能场景

• 问答搜索：前置问答的搜索入口；
• 提问流程：用户发布问题的时候，检索库内是否有相似的问题存在，如有相似度达到80%以上的，可以引导用户直接查看问题；
• 邀请回答流程：根据问题的标签和分类，在同标签的优质用户中匹配，发起回答邀请；
• 提问模式：文字提问、视频提问、结合会员身份提供专属一对一实时解答、积分悬赏问答；
• 标准知识库：制定问题分类，搭建知识专业问答知识库，将相似问题归类，并联动运营制定标准回答；
• 与在线客服联动：紧急问题可引导用户直接咨询在线客服。

基础流程图：

二、提问处理步骤

用户在问答社区提问：

调用用户声音分类模型，识别用户的问题是属于何种类型（如是投诉、咨询、跟公司业务相关、平台功能使用等）；

问题匹配已设定的问答知识库，判断是有与知识库有相似的问题，相似度达到80%以上的默认用知识库的解答作为回答。若无法回答则进入问题质量识别流程；

问题质量识别，AI模型识别内容的质量优、中或差。对于差内容，直接进行过滤。问题质量判断标准如下：

• 优：内容文本和图片跟提问的时候关联的标签相关，且发布的内容字数不低于10个字；图片不少于1张；
• 中：除了差和优，统一被定义为中；
• 差 ：文本单一重复，如发表的问题是重复的文本（好好，666，可以可以，纯表情等）；跟平台活动相关拿积分（海量福利、更多福利等）；不是一个问句（如疫情当前好好在家）；

识别为优的问题在1小时内和中的问题在3小时内无人回答，自动下发给6个用户专家回答。

三、问答信息流

在前端刷问答信息流，获取展示在前端的逻辑如下。

问题推荐的模型因子和占比：

• 运营推荐的问题 20%；
• 问题是不是有采纳的回答或者是优质回答 15%；
• 问题是否有优质用户来提问 15%；
• 问题的关注度 15%；
• 问题发布的时间5%；
• 回答的点赞和评论5%；
• 用户在平台的行为偏好 25%：浏览的问题的标签/分类；浏览的内容分类；关注的用户是否有提出、回答问题；与用户基础画像匹配的；

外露问题回答的规则：

• 回答被提问者采纳；
• 回答被运营打上推荐标签；
• 点赞数最高（>=5）的回答 -> 评论数最高（>=5）的回答 -> 同等数量下按照回答时间倒序排；
• 回答质量被判定为优；

不符合上述条件的回答不外露。

四、前端页面设计

竞品参考：百度知道、知乎

社区最简单从0-1的搭建形式：打造优质的问答栏目 + 问答信息流。

4.1 优质问答栏目

• 支持用户对于栏目进行关注，关注后可进行消息推送的形式，告知用户该栏目下有热门/最新的问答内容；
• 栏目基础信息：栏目标题、浏览量、关注数、栏目介绍等；
• 栏目下的专业优质回答者：通过征集一批优质的专业内容回答者，支持用户对回答者关注，关注后可以私信或发起提问的操作；
• 正在热议：取最近15天内，回答数最多的问题 -> 互动量最多的问题（即针对问题和回答的点赞、分享、评论行为）-> 问题和回答的质量必须在优和中（优先取优）
• 最新内容：按照时间倒序 -> 展示优质问题 -> 展示中等质量的问题；

4.2 问答频道页

4.2.1 栏目入口

• 将运营配置的栏目优先外露在频道页，取该栏目下最新的一条优质问题和正在热议下的两条问题；
• 统计在该栏目下的提问者+回答者 = xx人正在热议；
• 前端支持用户横滑查阅更多内容；

4.2.2 问答信息流

• 后台支持分类 -> 分类关联标签（定义的层级是：分类下支持关联多个标签）；
• 用户发布的内容 -> 进入内容质量模型识别 -> 提炼文本中的关键词打上标签 -> 确认标签的权重明确划分到哪个分类下；
• 符合外露规则的回答优先展示，如果优质问题下无回答，引导用户【成为首答】

五、项目总结

针对提问流程，实现AI自动过滤分类 -> 匹配知识库 -> AI自动回复 -> AI内容质量判断 -> 智能派单，下发问题 -> 监控质检 -> 提取优质的内容在前端展示。整个全流程可以释放坐席手动回复用户问题的人力投入，同时通过智能化识别自动提炼出值得回答的问题分发给用户，选取优质的回答展示，可以降低运营成本，提升优质问答社区的建设。

当社区的氛围形成积极正向的循环，才能持续不断地吸引用户来建设社区。人工运营成本着实太高了，如果可以通过更多智能化的方式解决，应该更能降本提效。

作者

vivi。曾就读于英国约克大学，4年产品经理，主要领域在旅游商品和社交场景，擅长原型图，用户体验。

本文作者@ vivi

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！