在客服领域,快速准确地匹配用户问题与历史工单,是提供优质回答的关键

在客服系统里，快速准确地匹配用户问题和历史工单，这算是最核心的痒点了。传统RAG方法虽然搬来了大语言模型，但有两个问题一直没解决好：一是工单的结构化信息和工单之间的内在联系被忽略，检索精准度不够；二是为了喂给模型，得先把工单切碎，结果关联信息割裂，答案答不全。LinkedIn的研究人员当时就琢磨，知识图谱能不能破这个局？结果还真行。

一、研究背景与问题

在客服领域，快速准确地匹配用户问题与历史工单，是提供优质回答的关键。传统的检索增强生成（RAG）方法虽然通过大语言模型取得了一定成效，但仍面临两大挑战：

• 忽略了工单的结构化信息和工单间的内在联系，导致检索精准度不足。
• 为适应模型输入，需对工单进行分割，造成关联信息的割裂，影响答案的完整性。

LinkedIn研究人员敏锐地洞察到知识图谱在解决上述难题中的潜力，开启了本研究的探索之旅。

二、研究方法

针对以上难题，LinkedIn团队别具慧眼地提出了一套全新解法。他们以知识图谱为核心，重塑了RAG模型的内在逻辑。首先，原始工单被解析为一棵棵树，每棵树表征一张票证的内部结构，而树与树之间则通过语义相似度等建立联接。如此，海量工单数据被组织为一张张大图，完整保存了其中的结构化信息和关系拓扑。

在此基础上，研究人员将RAG的查询理解、信息检索、答案生成等关键环节与知识图谱进行了深度融合。当用户提出问题时，基于图谱的检索算法会快速锁定最相关的若干工单，同时保留其上下文结构。然后，大语言模型再对这些局部子图进行语义理解和信息抽取，并据此组织生成最终答案。这种图谱驱动的RAG范式，巧妙地避开了文本分割的弊端，又最大限度地利用了工单间的结构关联，从而实现了检索和问答两个层面的质的飞跃。

实验结果充分印证了LinkedIn方法的优越性。在检索阶段，引入知识图谱使平均倒数排名（MRR）提升了77.6%，检索结果的准确性和相关性大幅跃升。在问答阶段，生成回答的BLEU值较传统RAG模型高出0.32，答案质量的全面进步显而易见。更令人振奋的是，这套系统已在LinkedIn的客服团队中落地应用，平均解决单个问题的时间从7小时降至5小时，效率提升28.6%。由此可见，知识图谱赋能RAG模型，不只是学术探索，更是切实可行的商业方案。

接下来，具体看下LinkedIn的工作是如何做的。

2.1 知识图谱构建

研究的第一步是将历史工单转化为知识图谱。这里采用了两层图结构：

• 工单内部树（Intra-issue Tree）
  ：以树的形式刻画单个工单内部的层级结构。
  • 节点代表工单的不同部分（如标题、描述、优先级等）
  • 边代表部分间的从属关系和类型

• 工单间连接图（Inter-issue Graph）
  ：体现不同工单之间的联系。
  • 工单间存在显式链接（如"与工单A相关"）
  • 也存在隐式关联（如工单标题的语义相似性）

知识图谱构建分两阶段进行：

：融合基于规则和基于LLM的方法，将纯文本工单转为结构化的树表示。

• 对于预定义字段（如代码块），通过规则提取
• 对于自由文本，则用LLM进行语义解析

：将各工单树整合为一张大图。

• 工单间的显式链接可直接从工单定义中获取
• 隐式关联则由工单标题的嵌入相似度决定，高于一定阈值的工单对即可建立连边

最后，研究者还对图谱节点的文本内容生成嵌入向量，便于后续的快速检索。

2.2 检索与问答

当用户提出新问题后，LinkedIn的智能客服系统将执行以下步骤：

：借助LLM的强大语言理解能力，系统从用户描述中抽取关键实体（如故障现象、优先级）和潜在意图（如获取解决步骤）。

：这一环节可细分为两个阶段。

• 工单匹配
  ：利用实体信息，通过嵌入向量的相似度匹配，得到与问题最相关的K个工单。这一匹配过程充分利用了图谱中的结构信息，绕开了文本分割的负面影响。

• 子图提取
  ：将用户意图从自然语言形式翻译为图数据库查询语句（如Cypher），从匹配的工单节点出发，沿着边的引导，高效提取最有价值的信息。

：基于子图检索的结果，LLM作为解码器，组织生成最终答案。如遇查询困难，也可回退到纯文本检索的基线方法。

三、实验评估

研究团队在标准数据集上对算法进行了严格测试，并设置了合理的对照组。评估指标涵盖检索和问答两大类任务。

检索性能方面，引入知识图谱后，在平均倒数排名（MRR）上比传统方法高出77.6%，这充分证明了结构化、关系化信息的巨大价值。

问答效果上，生成回答与标准答案的BLEU值提升了0.32，反映出答案质量的全面进步。这主要得益于知识图谱对原始工单的信息保全，避免了因分割而造成的内容损失。

更可喜的是，LinkedIn的客服团队已将该系统投入实际应用。使用新系统的小组处理每个问题的时间从7小时降至5小时，效率提升28.6%。这一技术革新给业务带来的切实益处，不言而喻。

四、创新点总结

本研究的核心创新，在于巧妙地将知识图谱引入大语言模型，构建了一套全新的客服问答范式。它以知识图谱为中心，既保留了工单的结构和联系，又能利用LLM的语义理解和生成能力，可谓优势互补、相得益彰。

与此同时，研究者在图谱构建、查询解析、子图提取等环节都采用了LLM，使得整个流程更加灵活、鲁棒，体现出领域适应性。这种全面拥抱LLM的做法，堪称业界典范。

五、研究展望

尽管该研究在客服智能化上实现了新的突破，但仍存在进一步完善的空间。未来可考虑：

• 开发自动化工具，从工单语料中自动提取知识图谱模板，减少人工依赖。
• 探索知识图谱的动态更新机制，让系统能够从新工单和用户交互中持续学习，提升知识覆盖的时效性。
• 将知识图谱+LLM的范式扩展到客服以外的领域，如金融、医疗等，进一步验证其普适价值。

六、总结

LinkedIn的这项研究堪称客服智能化的里程碑。它以知识图谱为桥梁，将大语言模型赋能到信息检索和问题解答的全流程，在提升匹配精准度、保证答案完整性的同时，也为LLM的产业应用开辟了新的道路。