مرحله اول: بر ترکیب اطلاعات از کانال‌های مختلف تعاملی، مانند تماس تلفنی، جستجو و چت، تمرکز دارد. این مرحله شامل:

• خلاصه‌سازی داده‌های کانال‌های پرتماس: استفاده از شبکه‌های Bi-LSTM (یک نوع شبکه عصبی بازگشتی) برای خلاصه کردن داده‌های تماس تلفنی و چت و تبدیل آن‌ها به عبارت‌های جستجوی کوتاه (اهداف مشتری).
• ایجاد طبقه‌بندی اهداف مبتنی بر داده: استفاده از خوشه‌بندی سلسله مراتبی (Hierarchical Agglomerative Clustering) برای ایجاد یک طبقه‌بندی پویا از اهداف مشتریان، بر اساس داده‌های تعاملی.

مرحله دوم: به استخراج سؤالات مشتریان از داده‌های تعاملی می‌پردازد. این مرحله شامل:

• محاسبه امتیاز تشابه: استفاده از تکنیک‌های TF-IDF و BERT (یک مدل زبانی قدرتمند) برای محاسبه امتیاز تشابه بین سؤالات و عبارات جستجوی تولید شده در مرحله اول.
• نگاشت سؤالات به اهداف: استفاده از روش‌های تشابه معنایی و نحوی برای نگاشت سؤالات شناسایی شده به خروجی‌های مرحله اول.

مرحله اول:

• پیش‌پردازش داده‌ها: شامل پاکسازی، نرمال‌سازی و تبدیل داده‌های ورودی از کانال‌های مختلف تعاملی به یک فرمت استاندارد و قابل استفاده برای مدل‌های یادگیری ماشینی.
• استفاده از Bi-LSTM: شبکه‌های Bi-LSTM برای خلاصه کردن مکالمات تلفنی و چت و استخراج اهداف اصلی مشتریان استفاده می‌شوند. این شبکه‌ها، قادر به درک روابط متقابل بین کلمات در یک جمله هستند و می‌توانند اطلاعات مهم را از متن استخراج کنند.
• خوشه‌بندی سلسله مراتبی: برای گروه‌بندی اهداف مشتریان و ایجاد یک ساختار طبقه‌بندی شده از نیازهای آن‌ها، از الگوریتم خوشه‌بندی سلسله مراتبی استفاده می‌شود.

مرحله دوم:

• TF-IDF و BERT: برای محاسبه امتیاز تشابه بین سؤالات و اهداف مشتریان، از تکنیک‌های TF-IDF (برای محاسبه اهمیت کلمات) و BERT (برای درک معنای کلمات و جملات) استفاده می‌شود.
• تشابه معنایی و نحوی: برای نگاشت سؤالات به اهداف، از روش‌های تشابه معنایی و نحوی بهره گرفته می‌شود. این روش‌ها، به سیستم کمک می‌کنند تا سؤالات مشابه را شناسایی و به پاسخ‌های مناسب متصل کند.

• افزایش دقت در شناسایی اهداف مشتریان: استفاده از شبکه‌های Bi-LSTM و خوشه‌بندی سلسله مراتبی، منجر به بهبود دقت در شناسایی و طبقه‌بندی اهداف مشتریان شده است.
• بهبود در بازیابی اطلاعات: استفاده از تکنیک‌های TF-IDF و BERT، باعث افزایش دقت در بازیابی اطلاعات مرتبط با سؤالات مشتریان شده است.
• کاهش زمان پاسخگویی: چارچوب پیشنهادی، با خودکارسازی فرآیند تولید محتوا و پاسخگویی به سؤالات، به طور قابل توجهی زمان پاسخگویی به مشتریان را کاهش داده است.
• افزایش رضایت مشتریان: با بهبود دقت و سرعت پاسخگویی، رضایت مشتریان از خدمات ارائه شده افزایش یافته است.

• سیستم‌های دستیار مجازی: این چارچوب می‌تواند به بهبود عملکرد دستیارهای مجازی در ارائه پاسخ‌های دقیق و مرتبط به سؤالات مشتریان کمک کند.
• چت‌بات‌های پشتیبانی مشتریان: این سیستم، قادر است فرآیند پشتیبانی مشتریان را خودکار کرده و پاسخ‌های سریع و کارآمد را ارائه دهد.
• تولید محتوای خودکار: این چارچوب، می‌تواند برای تولید محتوای خودکار در زمینه‌های مختلف، مانند مقالات، راهنماها و سؤالات متداول، مورد استفاده قرار گیرد.
• تجزیه و تحلیل داده‌های تعامل با مشتریان: این روش‌ها، می‌توانند برای تجزیه و تحلیل داده‌های تعامل با مشتریان و شناسایی الگوها و روندهای رفتاری آن‌ها استفاده شوند.
• کاهش هزینه‌های عملیاتی: با خودکارسازی فرآیند پاسخگویی به سؤالات مشتریان، هزینه‌های عملیاتی سازمان‌ها کاهش می‌یابد.

به طور کلی، این تحقیق می‌تواند به سازمان‌ها کمک کند تا خدمات بهتری به مشتریان خود ارائه دهند، هزینه‌ها را کاهش دهند و از داده‌های تعامل با مشتریان، اطلاعات ارزشمندی را استخراج کنند.