LinkedIn：使用RAG与知识图谱重构客服问答，客服问答效率提高26%

主要观点总结

本文介绍了一种将大型语言模型（LLMs）与知识图谱（KG）结合的新型客户服务问答方法。该方法从历史问题中构建KG，保留问题内部结构和问题间关系，提高检索准确性并增强回答质量。在LinkedIn的客户服务团队中部署约六个月，每个问题的中位解决时间减少了28.6%。

关键观点总结

关键观点1: 传统的基于文本的大型语言模型（LLMs）在客户服务技术支持中的检索存在局限性。

忽略问题追踪文档的固有结构和彼此间的关联，导致检索准确性下降。此外，为了适应嵌入模型的上下文长度限制，将大问题工单分割成固定长度的片段可能导致相关内容的断开，导致答案不完整。

关键观点2: 提出的新型客户服务问答方法结合了LLMs和KG。

从历史问题中构建KG，保留问题内部结构和问题间关系。通过解析客户查询，从KG中检索相关的子图来生成答案。这种方法提高了检索准确性，增强了回答质量。

关键观点3: 知识图谱（KG）的构建分为两个阶段：工单内解析和工单间连接。

工单内解析阶段将每个基于文本的工单转换为树结构，工单间连接阶段将单个树合并为一个综合图，显性连接按照工单中指定的方式定义，隐性连接则从工单标题的文本语义相似性中推断出来。

关键观点4: 实验设计和实际应用案例。

使用精心策划的“真实”数据集进行评估，对照组使用传统的基于文本的嵌入式检索（EBR），而实验组采用新型方法。在LinkedIn的客户服务团队中部署该方法，结果显示使用新型系统的组绩效显著提升，每个问题的中位解决时间减少了28.6%。

免责声明