客服对话决策树 - 从日志中自学策略

1. 解决的问题

母婴出海电商客服 70% 工单是"退换货咨询"(尺码错、漏发、过敏等),人工处理成本高,响应慢

2. 核心算法逻辑

从历史客服对话日志中归纳出可执行的决策树策略,而非手工编写规则。三步骤:对话状态聚类(将历史多轮对话聚类为典型 dialog state) → 策略树归纳(用决策树学习从 state 到 action 的转移) → LLM 增强叶节点(每个叶节点由 LLM 生成自然语言回复模板,保持灵活性同时锁定流程)。

3. 业务应用场景

- 业务问题:母婴出海电商客服 70% 工单是"退换货咨询"(尺码错、漏发、过敏等),人工处理成本高,响应慢。统一模板回复又不灵活 - 数据要求:历史退换货对话日志(≥10 万轮) + 处理结果(批准/拒绝/转人工) + 用户满意度评分 - 决策树配置: - 状态特征:订单时长、商品品类、退换理由 intent、用户历史投诉次数 - 决策节点:7 天内 vs 7-30 天 vs 30+ 天;品类敏感度(食品/护肤敏感 vs 服装) - 叶节点 action:自动批准 / 要求图片 / 转人工 / 拒绝 - LLM 叶节点:根据用户语气生成共情回复 - 业务价值: - 70% 工单自动化处理,客

- 业务问题:新手妈妈咨询"宝宝 3 月夜醒频繁怎么办"、"5 月辅食怎么添加"等场景,平台希望提供专业回答但医疗建议有合规风险,需要决策树锁定边界 - 数据要求:母婴专家撰写的咨询脚本 + 历史咨询日志 + 转专家次数 - 决策树配置: - 状态:宝宝月龄 + 症状 intent + 紧急度(发烧 38.5+ vs 一般夜醒) - 决策节点:紧急度阈值(高 → 直接推送医院/儿科;中 → 提供专业建议;低 → 一般育儿知识) - 合规叶节点:LLM 生成回复但加入"非医学建议,建议咨询儿科医生"声明 - 业务价值:专业咨询覆盖率从 20% → 80%,新妈妈活跃留存提升 30-40%;年化

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

• 易处:决策树本身工程成熟,sklearn 即可
• 难处:对话状态特征化需要 NLU 模块(BERT 或 LLM intent extraction)
• 难处:合规叶节点的医疗/法律边界需要法务介入审核

7. 代码模板

代码块数量：1 · 路径：未检测到

"""
Customer Journey Decision Tree 最小骨架
综合 ConvLab + Reward-based Dialog Policy + LLM-as-Leaf 方向
"""
from __future__ import annotations
from dataclasses import dataclass, field
from typing import Callable, Dict, List, Optional, Tuple


@dataclass
class DialogState:
    user_intent: str
    days_since_order: int
    product_category: str
    user_complaint_history: int
    severity: str = "low"


@dataclass
class DialogAction:
    action_type: str
    response_template: str


@dataclass
class DecisionNode:
    feature: str
    threshold: Optional[float] = None
    categories: Optional[Dict[str, "DecisionNode"]] = None
    left: Optional["DecisionNode"] = None
    right: Optional["DecisionNode"] = None
    leaf_action: Optional[DialogAction] = None

    def is_leaf(self) -> bool:
        return self.leaf_action is not None


def build_return_policy_tree() -> DecisionNode:
    """硬编码的退换货决策树(生产中由日志学习得来)"""
    return DecisionNode(
        feature="days_since_order",
        threshold=7,
        left=DecisionNode(
            feature="product_category",
            categories={
                "food": DecisionNode(leaf_action=DialogAction("auto_approve", "您好,食品类 7 天内无理由退货已为您批准,退款将在 24 小时内到账")),
                "clothing": DecisionNode(leaf_action=DialogAction("require_photo", "请提供商品图片以便快速处理")),
                "default": DecisionNode(leaf_action=DialogAction("auto_approve", "已为您批准退货申请")),
            },
        ),
        right=DecisionNode(
            feature="user_complaint_history",
            threshold=3,
            left=DecisionNode(leaf_action=DialogAction("manual_review", "您的申请已提交人工审核,1-2 工作日反馈")),
            right=DecisionNode(leaf_action=DialogAction("transfer_human", "为您转接资深客服处理")),
        ),
    )


def traverse_tree(node: DecisionNode, state: DialogState) -> DialogAction:

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。