电商售后智能分流

面向电商售后客服中消息量大、意图边界相近且人工派单成本高的问题，构建八分类意图识别与工单分流系统，实现客服消息自动识别，并以人工复核兜底高风险和低置信度结果。
Python PyTorch MacBERT Scikit-learn ONNXRuntime Flask

项目背景

电商售后咨询集中在退款退货、物流发货、支付异常、投诉售后等高频场景，人工识别和派单效率有限，且高风险诉求误分后会直接影响处理质量。项目围绕八类用户意图建立从数据构建、模型训练与压缩到推理服务和工单路由的完整流程。

个人职责

  • 负责客服 JSONL 数据的 EDA、清洗与样本构建，抽取用户发言作为模型输入，并通过分层抽样构建 train、dev、test 数据集。
  • 对比 TF-IDF + Logistic Regression、FastText、Prompt 与 MacBERT 等方案，最终采用 MacBERT + Dropout + Linear 八分类结构。
  • 使用 AdamW 与 CrossEntropyLoss 训练分类模型，每轮根据验证集 Macro-F1 保存最佳 checkpoint，并通过 Early Stopping 控制过拟合。
  • 完成 ONNX 导出与动态量化，使用 ONNXRuntime 进行 CPU 推理；以 MacBERT 为 teacher、5 层 Transformer 为 student，通过 CE + KL 联合损失完成知识蒸馏。
  • 基于 Flask 封装 /predict 接口，统一返回预测类别、置信度和推理耗时，并将模型结果接入工单分流规则。
  • 设计低置信度与高风险意图的人工复核策略，使退款退货、支付异常、投诉售后等诉求在自动分流之外保留人工兜底。

交付成果

  • 交付覆盖退款退货、物流发货、订单下单、地址备注、支付异常、优惠价格、商品咨询和投诉售后的八分类意图识别服务。
  • MacBERT 主模型在测试集上取得约 94.8% Accuracy 和约 95.4% Macro-F1，兼顾整体准确率与各类别识别效果。
  • 通过 ONNX、动态量化和知识蒸馏完成部署优化，将单条推理耗时由约 42ms 降至 18ms。
  • 形成“高置信度自动分流、低置信度或高风险意图人工复核”的业务闭环，接口能够返回类别、置信度与耗时供客服系统调用。