1、知识运营白皮书 【公开】 阿里云 智能客服知识运营白皮书 2022 年 2 月 版本：1.0 知识运营白皮书 【公开】 版本：1.0 I 法律声明 阿里云提醒您在阅读或使用本文档之前仔细阅读、充分理解本法律声明各条款的内容。如果您 阅读或使用本文档，您的阅读或使用行为将被视为对本声明全部内容的认可。 1. 您应当通过阿里云网站或阿里云提供的其他授权通道下载、获取本文档，且仅能用于自身的 合法合规的业务活动。本文档的内容视为阿里云的保密信息，您应当严格遵守保密义务；未 经阿里云事先书面同意，您不得向任何第三方披露本手册内容或提供给任何第三方使用。 2. 未经阿里云事先书面许可，任何单位、公司或个

2、人不得擅自摘抄、翻译、复制本文档内容的 部分或全部，不得以任何方式或途径进行传播和宣传。 3. 由于产品版本升级、调整或其他原因，本文档内容有可能变更。阿里云保留在没有任何通知 或者提示下对本文档的内容进行修改的权利，并在阿里云授权通道中不时发布更新后的用 户文档。您应当实时关注用户文档的版本变更并通过阿里云授权渠道下载、获取最新版的用 户文档。 4. 本文档仅作为用户使用阿里云产品及服务的参考性指引，阿里云以产品及服务的“现状”、 “有缺陷”和“当前功能”的状态提供本文档。阿里云在现有技术的基础上尽最大努力提供 相应的介绍及操作指引，但阿里云在此明确声明对本文档内容的准确性、完整性、适用性、

3、 可靠性等不作任何明示或暗示的保证。任何单位、公司或个人因为下载、使用或信赖本文档 而发生任何差错或经济损失的，阿里云不承担任何法律责任。在任何情况下，阿里云均不对 任何间接性、后果性、惩戒性、偶然性、特殊性或刑罚性的损害，包括用户使用或信赖本文 档而遭受的利润损失，承担责任（即使阿里云已被告知该等损失的可能性） 。 5. 阿里云文档中所有内容，包括但不限于图片、架构设计、页面布局、文字描述，均由阿里云 和/或其关联公司依法拥有其知识产权，包括但不限于商标权、专利权、著作权、商业秘密 等。非经阿里云和/或其关联公司书面同意，任何人不得擅自使用、修改、复制、公开传播、 改变、散布、发行或公开发表

4、阿里云网站、产品程序或内容。此外，未经阿里云事先书面同 意，任何人不得为了任何营销、广告、促销或其他目的使用、公布或复制阿里云的名称（包括但不限于单独为或以组合形式包含“阿里云”、“Aliyun”、“万网”等阿里云和/或其关 联公司品牌，上述品牌的附属标志及图案或任何类似公司名称、商号、商标、产品或服务名 称、域名、图案标示、标志、标识或通过特定描述使第三方能够识别阿里云和/或其关联公 司） 。 如若发现本文档存在任何错误，请与阿里云取得直接联系。 知识运营白皮书 【公开】 版本：1.0 II 目录 法律声明. I 目录 .II 概述 . 1 1.知识的分类与定义 . 2 1.1 布卢姆分类法

5、 . 2 1.2 布卢姆知识体系 . 3 1.2.1 事实性知识 . 3 1.2.2 概念性知识 . 4 1.2.3 程序性知识 . 5 2. 智能客服问答引擎介绍 . 7 2.1 FAQ 问答引擎 . 7 2.2 任务问答引擎 . 7 2.3 图谱问答引擎 . 8 2.4 表格问答引擎 . 8 3.知识运营方法分析 . 9 3.1 知识梳理的整体步骤 . 9 3.2 如何进行知识收集？-基于知识来源收集候选知识 . 9 3.3 如何进行知识提炼？-高频知识的管理及提炼方法 . 10 3.3.1 知识提炼：知识管理的原则 . 11 3.3.3 知识提炼：高频知识的提炼方法 . 12 3.4 如

6、何进行知识拆分？-基于知识分类的拆分方法 . 13 3.5 如何进行问答引擎的选择？. 17 4.知识运营最佳实践案例 . 18 知识运营白皮书 【公开】 版本：1.0 III 4.1 分析知识源数据，完成知识分类 . 18 4.2 提炼高频知识，完成问答引擎的选择 . 19 4.3 处理知识语料，提升机器人问答效果 . 21 版本历史/联系我们 . 22 知识运营白皮书 【公开】 版本：1.0 1 概述 阿里云智能客服知识运营白皮书的撰写，是在阿里云智能客服团队的统一安排下，协调包括算法工程师、开发工程师、产品设计师、AIT 人工智能训练师人员等多角色，将技术理论基础和实际实践经验进行结合，

7、形成业内首部智能客服知识运营白皮书。白皮书以阿里云智能客服系统为应用标的，面向智能客服中的知识定义、知识应用、知识梳理方法三大环节进行描述和说明，希望为智能客服领域的知识应用提供具备指导性意义的方法论。 一直以来，智能客服领域的知识梳理缺少一个统一的理论框架，本白皮书首先针对知识的定义和内涵进行调研，从教育学和心理学的研究中，寻求对知识的定义和框架，并且将智能客服的知识无缝对应到理论框架中。基于知识的清晰定义，讲清楚理想的智能客服 AI 引擎能力，并且基于知识定义和引擎能力形成科学、合理的知识应用及梳理方法论，白皮书整体框架结构如下： 知识的分类与定义 智能客服问答引擎介绍 知识运营方法分析

8、知识运营最佳实践案例分析 知识运营作为智能客服系统应用的重要前置工作，阿里云智能客服团队希望基于自身实践经验，为运营者提供可参考、可落地、可执行的运营方法。除运营方法外，后续还将持续更新机器人运营方法、智能化运营工具等内容，可持续关注。 知识运营白皮书 【公开】 版本：1.0 2 1.知识的分类与定义 1.1 布卢姆分类法 本杰明布卢姆（Benjamin Bloom，1913 年 2211999 年 913） ，是美国当代著名的理学家、教育家。布卢姆从教育研究入手，对知识以及认知过程进行了系统的研究。1956 年，布卢姆 (Bloom,B.S.)等的教育标分类学第分册:认知领域正式出版，随后的

9、年中，此书的修订作直没有停过，并且基于对布卢姆分类的期应，在 2001年完成并出版了向学习、教学和评价的分类学布卢姆教育标分类学的修订书，新版的布卢姆分类学采了“知识”和“认知过程”维框架： 知识 是指学习时涉及的相关内容，包括了从具体到抽象四个类别： 事实性知识（Factual knowledge） 概念性知识（Conceptual knowledge） 程序性知识（Procedural knowledge） 元认知知识（Metacognitive knowledge） 其中，事实性知识、概念性知识、程序性知识均可映射到智能客服领域的知识应用与分类中，而元认知知识由于与智能客服知识应用无关，

10、不在本白皮书讨论的范围内。 认知过程 涉及学习时要掌握的学业为表现，包括了六个类别： 记忆（Remember） 是指能记得/回忆/复述起基本的概念和事实 理解（Understand） 是指理解并能够用自己的话解释概念 知识运营白皮书 【公开】 版本：1.0 3 应（Apply） 是指能够把知识应用在新的场景里 分析（Analyze） 是指能够对不同的知识建立联系 评估（Evaluate） 是指能解释一个观点或者一个决定 创造（Create） 是指能够产生新的原创性的工作 以上各类别依据认知复杂程度由低到来排列。 1.2 布卢姆知识体系 布卢姆分类法（Bloom taxonomy）中的知识对世界

11、中的各类知识做了抽象和总结，共分为 4 类： 1.2.1 事实性知识 知识运营白皮书 【公开】 版本：1.0 4 事实性知识（Factual knowledge）是学习者在掌握某学科或某一业务时需要知道的基本要素。具体包括了: 关于术语的知识如专业词汇、数学符号、乐符注解、字母等； 关于细节的知识如食物链的组成、二战期间的著名战争等； 对应到智能客服中，可以理解为陈述一个事实的独立知识，典型的如 QA 对。 以保险业务举例： 保险的各种术语，例如：保险、人寿保险、健康保险、XX 福寿重疾险等； 围绕保险术语的各种描述、定义、条款等，都是要素知识，例如： Q：保险为什么越早买越好 A：因为越晚买

12、越贵，保额越低，并且更难买 1.2.2 概念性知识 概念性知识（Conceptual knowledge）是指基本要素之间的关系，一个整体结构中的知识是怎么联系的。具体包括了: 类别知识：指学科或者业务内部知识如何分类，每个类别的特点是什么； 结构知识：指学科或者业务知识内在的结构和联系，例如类别之间的共性和区别，类别之间的上下文关系、组合关系等。 对应到智能客服中，概念性知识的典型特征就是元素之间有结构、元素之间有联系，典型的比如二维表格、知识图谱。 （1）围绕保险的表格知识，除了有结构之外，表格的行列之间也表达了对应的关系： 知识运营白皮书 【公开】 版本：1.0 5 （2）围绕保险中的实

13、体和属性构建的知识图谱，除了有结构之外，实体和属性、属性和属性之间也有对应的关系： 1.2.3 程序性知识 程序性知识（procedural knowledge）是“如何做事的知识”，通常有组有序的步骤，看重“过程”，是“how”的知识。具体包括了: 程序步骤知识：指完成一件事情的基本步骤，其中结构是基本固定的，但是具体执行步知识运营白皮书 【公开】 版本：1.0 6 骤可以是固定的，也可以是灵活的； 程序运用知识：指在哪些条件下（时间、状态等）运哪些程序的知识，即知识是条件化的，每种程序知识都有其适合运用的条件； 对应到智能客服中，程序性知识指如何完成某一业务的一套流程或步骤，典型的如业务对

14、话流。以保险业务举例： 办理汽车保险是有一组有序的步骤的： 1. 收集个人和证件信息，包括身份证、驾驶证、行驶证等 2. 验车 3. 根据验车结果 4. 验车结果通过 5. 告知验车结果通过，流程往下 6. 验车结果不通过 7. 告知验车结果不合格原因，流程结束，结果为不能办理汽车保险 8. 填写保单，包括车险险种、被保险人信息等 9. 交保险费，并获得保险存根 上例中，整体结构流程是固定的，但是在信息交互过程中，各项信息的先后顺序可以是灵活的，如上述的个人信息收集；另外，过程中会有分支条件产生，会根据当时的条件选择后续执行哪些程序。 除了上述比较直观的程序性知识外，在实际的业务中，还有另一类

15、常见的现象可以归到程序性知识中意图澄清现象，即用户表达的句子中，仅包含了查询结果所需的部分信息，无法直接得到准确结果，用户甚至没有意识到还需要更多信息。这种情况下，需要启动澄清流程，按照一定的流程和顺序反问用户，让用户补齐所需的信息，最终得到用户需要查知识运营白皮书 【公开】 版本：1.0 7 询的结果。 2. 智能客服问答引擎介绍 基于以上的知识分类和定义，各类知识已经有一个基础的框架和定义，在智能客服的实际应用过程中，知识依赖于 AI 引擎而存在，不同的引擎在不同的场景下适用于不同的知识，实际业务中的流程式知识、FAQ 式知识、结构化知识/非结构化知识等，均需要通过 AI 引擎实现最终的业

16、务价值，本篇章将结合实际知识形态和应用情况，分析 AI 引擎的核心能力。 2.1 FAQ 问答引擎 FAQ 问答引擎是对话机器人重要的问答引擎，基于阿里巴巴达摩院领先的 NLP 算法研发，为用户提供高泛化性、灵活拓展的 QA 对匹配引擎，介绍如下： 适用知识 引擎优势 知识结构 模型训练 事实性知识 高泛化性、精准匹配、向量召回、语义计算 QA 问答对 FAQ 匹配模型 支持线上训练 2.2 任务问答引擎 任务问答引擎负责多轮对话的对话流设计、意图的管理、任务流的执行等功能，任务对话引擎基于大规模预训练模型 Sturt-Bert 研发，支持 Fewshot 小样本识别模型，介绍如下： 知识运营

17、白皮书 【公开】 版本：1.0 8 适用知识 引擎优势 知识结构 模型训练 程序性知识 小样本识别、精准实体抽取、上下文槽位解析、意图分类+匹配 多轮对话的对话流结构 分类模型+匹配模型 支持线上训练 2.3 图谱问答引擎 图谱问答负责结构化体系化知识的问答，基于知识图谱 Schema 针对具备一定结构关系的三元组知识进行快速问答，支持多跳、计算、推理能力，介绍如下： 适用知识 引擎优势 知识结构 模型训练 概念性知识 多维度逻辑推理、属性识别+匹配，自动化反问多轮机制 知识图谱三元组知识结构 属性识别+匹配模型 支持线上训练 2.4 表格问答引擎 表格问答负责结构化二维表结构知识的问答，可基

18、于二维数据表快速抽取表信息形成问答，支持条件约束及聚合函数计算的问答，介绍如下： 适用知识 引擎优势 知识结构 模型训练 概念性知识 NL2SQL 算法，复杂函数计算及推理，主动多轮机制 二维数据表知识结构 表格问答匹配模型 支持线上训练 自动生成训练集 知识运营白皮书 【公开】 版本：1.0 9 3.知识运营方法分析 3.1 知识梳理的整体步骤 知识梳理方法核心流程包括知识收集、知识提炼、知识拆分、引擎选择、知识整理实践五大环节，其流程图如下： 3.2 如何进行知识收集？-基于知识来源收集候选知识 智能客服的知识往往有不同的知识来源，包括历史日志、历史知识、文档文章、SOP 流程、表格数据等

19、，知识来源往往是多种格式、多种形态、多种渠道。在构建智能客服知识体系时，需要基于知识来源收集候选知识，综合考虑业务覆盖情况、数据格式情况，完成知识候选集的确定。 基于知识来源收集知识的参考流程如下： 知识运营白皮书 【公开】 版本：1.0 10 为了更好地指导知识的收集，白皮书枚举部分知识来源的参考样例，具体的知识收集还需要依据业务的实际情况进行进一步判断，样例数据如下： 完成前期知识收集工作之后，将得到一个知识候选集，但距离构建为智能客服行之有效的知识仍有一段距离，知识源的确定和知识候选集的确定仅提供了一个可处理的知识范围，智能客服的知识运营需要更加精简、贴近业务的知识，接下来将进入进一步的

20、知识提炼过程。 3.3 如何进行知识提炼？-高频知识的管理及提炼方法 基于已收集的知识进行进一步的知识提炼，可以为智能客服划定最终的核心知识范围。知识运营白皮书 【公开】 版本：1.0 11 面对大批量的知识数据源，如何精简提炼出贴近业务、适合系统处理、易于运营的知识？基于历史知识运营经验，建议依据以下原则及方法进行实践： 3.3.1 知识提炼：知识管理的原则 基本原则：帕累托法则，80/20 法则，由于知识源往往覆盖大数据量的知识，基于二八定律，需要定位出真正有效的知识，一般来说，在收集到的广泛庞大的数据源中，最核心有效的数据比例往往为 20%左右，在知识运营构建的初期，这样的原则将大幅降低

21、前期投入的成本，快速解决核心问题和矛盾，说明如下： 在明确基本知识提炼原则之后，可识别出知识运营的关键点在于识别核心、有效的关键高频知识，原因在于集中优势梳理、构建核心、有效的关键知识后，智能客服系统可以低成本、快速达到预期的效果，实现事半功倍的效果，其余非高频知识并非无需维护，而是进入到实际运营场景中，长期累积和运营，逐步完善，阿里云智能客服团队基于历史实践枚举了一个实际案例，帮助运营者更好的理解这个过程，见下图： 知识运营白皮书 【公开】 版本：1.0 12 此客户原先维护的知识数据量非常庞大，浪费了大量的前期人力投入，然而依据实际运营数据观察后，其大量的知识数据未在业务中产生任何效果，同

22、时还存在影响高频使用的知识的实际效果： 3.3.3 知识提炼：高频知识的提炼方法 基于已选定的知识范围和候选提炼高频知识时，需要综合考虑业务实际情况和历史知识频次，智能客服大多基于传统客服系统构建而来，传统客服系统的历史知识、历史咨询、历知识运营白皮书 【公开】 版本：1.0 13 史日志均为可进行频次统计的高质量数据源，提炼高频知识既需要基于历史频次来提炼，也需要基于业务需求范围来提炼，本质上是二者的交叉，在业务框架下寻求最高频次的知识范围，提炼出既契合业务需求，也能够高效完成服务的知识。 当然，也不排除一种特殊情况，原先没有服务渠道，不存在任何历史服务数据的情景下，又如何来提取重要知识？

23、这种情景下，我们一般建议由业务专家们商议出最重要最可能被问到的内容；可以从几点出发思考做提炼： 1）平台希望传递和被客户快速获取到的信息是什么？ 2）从业务视角反观客户，他们最在意的模块和内容是哪些？ 3）到同行的服务渠道做体验，了解别人的业务覆盖面和内容是什么，做参考。 通过以上几方面的思考，先梳理一版初步的知识，等上线开放小流量后，即可通过日志等方式，慢慢补充客户所关注的知识要点。 步骤如下： 3.4 如何进行知识拆分？-基于知识分类的拆分方法 知识运营白皮书 【公开】 版本：1.0 14 完成知识提炼的过程后，运营者需要依据不同的引擎及知识类型，进行知识的拆分，进一步完成知识的构建，拆分

24、知识的作用将知识匹配至最为契合的引擎中，智能客服往往存在多个算法引擎，不同的知识在不同的算法引擎下会发挥不同的作用，知识拆分的整体步骤如下： 优先识别出程序性知识，梳理成对话流，剩下的均为概念性知识或者事实性知识； 如果给定的业务输入中有表格，那么优先启用表格问答； 纵观整体业务输入，尝试将事实性知识组织成一定的结构，形成概念性知识，梳理成知识图谱； 剩下的较为独立的事实性知识，则梳理成 FAQ； 常见的知识拆分的知识类型如下： 实际知识拆分的流程如下，知识拆分是区分智能客服算法引擎的重要步骤，将合适的知识匹配给合适的引擎会大幅提升实际智能客服系统的运行效果，流程如下： 知识运营白皮书 【公开

25、】 版本：1.0 15 为了更好的帮助运营者理解不同类型知识的形态，阿里云智能客服团队基于历史真实项目实践，提供知识分类的样例，可依据业务实际情况进行参考。 结构化知识：是指知识之间有一定的层级关联关系，可以按照类目和抽屉的形式进行分类；适合构建成多轮对话。将知识整理成结构化的过程中尽量挑选相对高频的知识。 意图不清的知识：是指问句句意不完整，不能从这句话直接给到精确答案，需要经过多知识运营白皮书 【公开】 版本：1.0 16 轮确认具体的意图，一般是客户相对高频的咨询问题。 单个具体知识：是指知识句意完整，能独立成为一个完整问句，不具备其他知识有明显层级结构关系；或因为低频不纳入与其他知识的

26、层级关系。 表格型知识：是指知识有一定规律，可以整理成二维表的形式进行展现。 知识运营白皮书 【公开】 版本：1.0 17 图谱型知识：是指知识之间具备多维关联特点；需要在多维空间里推理计算得出答案。 3.5 如何进行问答引擎的选择？ 上文说到，智能客服体系下不同的知识适配于不同的算法引擎，高效的智能客服系统通常由多个算法引擎来组成，经过提炼和梳理的知识，需要匹配对应的算法引擎从而产生最佳的使用效果，实际业务场景中，如何选择引擎也是运营者面临的重要问题，阿里云智能客服基于历史实践提供的参考如下： 知识类型 格式 核心用途 业务知识举例 对应的引擎 引擎的核心能力 程序性知识 对话流 用于表示业

27、务的流程、步骤、逻辑顺序等 e.g. 办理公积金的流程、买手机套餐的流程 任务问答引擎 以完成某个任务为目的的流程编排能力 概念性知识 知识图谱三元组 用于表示实体与对应属性的结构化关系 e.g. 实体：XX 福寿重疾险；属性：保险责任、理赔条件 图谱问答引擎 实体属性的问答能力 知识运营白皮书 【公开】 版本：1.0 18 概念性知识 二位数据表格 用于表示二维表格数据 表格问答引擎 基于表格的问答能力 事实性知识 QA 对 用于表示问题与对应的答案 e.g. Q：冰箱为什么不能倾倒放置？ A：倾倒会影响冰箱压缩机工作 FAQ 问答引擎 基于 QA 对问答能力 4.知识运营最佳实践案例 上文

28、为运营者提供了知识运营的全链路实践的方法，本篇章将基于真实项目案例为运营者提供最佳实践，覆盖知识收集、知识提炼、知识拆分全过程，运营者可基于自身业务情况参考案例实践，优化自身知识梳理流程和方法。 案例背景：阿里云某客户需要构建智能客服系统提高服务效率及客户满意度 案例场景：政务服务场景，包括知识咨询及业务办理 案例知识源情况：包含 2100 条 FAQ，几十篇政策文章，100 个左右的政务事项 4.1 分析知识源数据，完成知识分类 阿里云 AIT（人工智能训练师）首先基于收集到的知识源，综合参考历史问答日志、业务需求情况，依据知识分类的方法对各项知识进行分类，梳理出多种知识类别，包括程序性知识

29、、概念性知识、事实性知识。 历史知识/日志样例： 知识运营白皮书 【公开】 版本：1.0 19 4.2 提炼高频知识，完成问答引擎的选择 阿里云智能客服 AIT（人工智能性训练师）基于已分类知识的具体情况，进一步完成问答引擎的选择，其过程如下： a.基于已收集的 2100 条原始知识数据以及文章、政务事项等数据，需要首先针对原始知识提炼出高频知识。 b.基于高频知识，需要将知识分类，使其能够适配不同的问答引擎，包括程序性知识、事实性知识、概念性知识等。 编号输出部门问题最后修改时间答案1客服中心结婚登记一定要做婚检吗2021年1月答案示例2客服中心医保怎么报销2021年1月答案示例3客服中心少

30、儿基本医疗保险参保登记2021年1月答案示例4客服中心医疗费报销的时间要求2021年1月答案示例5客服中心大病医保门诊和住院报销比例是多少2021年1月答案示例6客服中心医保个人账户怎么用2021年1月答案示例7客服中心大学生医保办理流程是什么2021年1月答案示例8客服中心基本医疗保险参保人员享受规定特殊慢性病种待遇备案2021年1月答案示例9客服中心医保办理流程是什么2021年1月答案示例11客服中心哪些人可以申请特药2021年1月答案示例12客服中心特药要怎样去申请使用2021年1月答案示例13客服中心哪些人可以享受普通门诊统筹待遇2021年1月答案示例14客服中心新农合医保怎么办理20

31、21年1月答案示例15客服中心城镇职工医疗保险退休的条件是怎么规定的2021年1月答案示例16客服中心城乡居民参保后医疗保险什么时候可以使用2021年1月答案示例17客服中心医保账户历年余额还能用吗2021年1月答案示例18客服中心残疾人医疗保险有哪些政策2021年1月答案示例19客服中心社保医疗报销需要什么材料2021年1月答案示例知识运营白皮书 【公开】 版本：1.0 20 c.分类知识后，基于知识特性选择问答引擎。本客户的知识包括结构化的二维表知识、QA 类型的事实型知识，流程性的程序化知识，政策类的概念型等。依据知识的类型，分别为其选择对应的问答引擎。 完成问答引擎的选择后，即可将数据

32、逐步通过系统录入至对应的引擎中，使机器人具备完整的对话能力。 知识运营白皮书 【公开】 版本：1.0 21 4.3 处理知识语料，提升机器人问答效果 完成引擎的选择后，机器人如果需要达到较好的问答效果，仍需要针对已经梳理的语料数据进行进一步处理，补充相似问法，使其问答效果更佳，如下图所示： 完成相似问补全后，可将数据导入至智能客服系统的各个引擎当中，完成实际系统的上线。 至此，知识运营梳理的前期流程基本完毕，后续需要基于实际线上情况，不断完善知识，优化问答效果，帮助系统在实际业务中发挥更大作用。 知识运营白皮书 【公开】 版本：1.0 22 版本历史/ /联系我们 2022 年 1 月：发布 1.0 版本，阿里云智能客服基于自身实践经验提供知识运营梳理方法论。 联系我们： 阿里云网址：https:/ 阿里云智能客服产品矩阵网址： 智能对话机器人：https:/ 智能外呼机器人：https:/ 智能语音导航：https:/ 云呼叫中心：https:/ 智能对话分析：https:/ 智能双录质检：https:/