电信运营商知识图谱智慧运营管理系统

admin管理员组

文章数量:1530322

2024年1月9日发(作者：)

1 互联网+应用nternet

Application电信运营商知识图谱智慧运营管理系统□赵东明田雷刘静石理中国移动通信集团天津有限公司人工智能实验室【摘要】 本文打造了 "一体两面"的知识图谱运营管理系统，在智能应答和存量运营两大核心业务领域开展了一系列实践，先后完成了智能应答知识图谱，企管支撑知识图谱，权益运营知识图谱，5G换机知识图谱，预离网知识图谱等应用，并打造了面向运营

人员的知识图谱个性化管理系统，嵌并嵌入公司运营管理主体流程中形成固化，在存量经营、客户服务、零售运营、预警挽留等多个

领域全场景打造AI标杆应用，并验证了 AI赋能业务的价值和规模化应用的可行性。【关键字】知识图谱系统引言别人类经验知识的一种很好的表达方法，通过schema建立

中国移动已进入“客户需求多元化、客户体验个性化、

数据关系模型来表达客观世界，让机器认识世界，通过在关

行业特征高度适配化”的数字化运营阶段，商业形态、运营

系模型上建立推理规则来表达人类积累的专业经验，让机器

模式相比以往都发生了巨大变化，如何利用大数据、人工智

去改造世界。能等新技术，根据通信与数字化服务数据来精准识别客户潜

一、知识图谱运营管理系统在意图、负面倾向，并发现新商机、避免升级投诉，决定了

天津移动沉淀了多项重要知识图谱模型的通用方法，搭

未来的发展空间与竞争能力。2020年以来，人工智能领域的

建了完整的知识图谱训练和推理应用架构，打造了构建“一

发展趋势正在发生重要的变化，由“感知智能”向“认知智

体两面”的知识图谱运营管理体系，在图谱构建、营业推荐、

能”。“认知智能”是人工智能技术发展的高级阶段，旨在

存量保有等领域打造了5大标杆应用，正在持续优化和推广

赋予机器数据理解、知识表达、逻辑推理、自主学习的能力，

中。一体：知识图谱运营管理系统。嵌入I0P微营销主流程，

使机器能够拥有类似人类的智慧，甚至具备各个行业领域专

实现个性化数据选择、模型训练和客群生成。两面：智能应

家的知识积累和运用的能力。认知智能的实现离不开知识图

答知识图谱，存量运营知识图谱，标杆应用主要为：谱技术、自然语言处理技术的支撑。知识图谱就是让机器识1.1系统运维知识图谱参考文献[1]

Zhang

F,

Zhu

X,

Ye

M.

Fast

human

pose

estimation[C]//Proceedings

of

the

IEEE

Conference

on

Computer

Vision

and

Pattern

Recognition. 2019: 3517-3526.[2]

Buric

M,

Pohar

M,

IvaSic-Kos

M.

Object

detection

in

sports

videos[C]//2018 41st

International

Convention

on

Information

and

Communication

Technology,

Electronics

and

Microelectronics, 2018: 1034-1039.[3]

Merler

M,

Mac

K

N

C,

Joshi

D,

et

al.

Automatic

curation

of

sports

highlights

using

multimodal

excitement

featuresfj].

IEEE

Transactions

on

Multimedia, 2018, 21(5): 1147-1160.[4]

殷伟良，陈临强，李伟.体育视频中场地自动检测方法【J].计算机系统应用，2012, 21(5): 184-188.[5]

张龙飞，曹元大，张明杰，等.体育视频中的对象检测与分割丨J].计算机工程，2006(03): 229-230+239[6]

Hung

M

H,

Hsieh

C

H,

Kuo

C

M,

et

al.

Generalized

playfield

segmentation

of

sport

videos

using

color

features[J].

Pattern

Recognition

Letters, 2011,32(7): 987-1000.[7]

Homayounfar

N,

Fidler

S,

Urtasun

R.

Sports

field

localization

via

deep

structured

models[J]. 2017

IEEE

Conference

on

Computer

Vision

and

Pattern

Recognition, 2017: 4012-4020.[8]

McLachlan

G

J,

Rathnayake

S.

On

the

number

of

components

in

a

Gaussian

mixture

model[J].

Wiley

Interdisciplinary

Reviews:

Data

Mining

and

Knowledge

Discovery, 2014, 4(5): 341-355.[9]

Do

C

B,

Batzoglou

S.

What

is

the

expectation

maximization

algorithm?[J].

Nature

Biotechnology, 2008, 26(8): 897-899.[10]

Wilderjans

T

F ,

Ceulemans

E ,

Meers

K .

Multichull:

A

generic

convex-hull-hased

model

selection

method[J].

Behavior

Research

Methods, 2017, 45(1):1-15.[11]

Gonzalez

R

C,

Woods

R

E.

Digital

image

processing [M]. 3nd

ed.

Beijing:

Publishing

House

of

Electronics

Industry, 2017: 497-502.[12]

Zaitoun

N

M,

Aqel

M

J.

Survey

on

image

segmentation

s[J].

Procedia

Computer

Science, 2015, 65: 797-806.孙瑞阳（

1989-),女，汉族，哈尔滨，哈尔滨体育学院民族传统体育学院，讲师，主要研究方向为武术与人工智能、武术比赛视频运动员目

标检测、人体姿态识别。孙玉滨（

1962-),男，汉族，哈尔滨.教授，主要研究方向为武术与民族传统体育、武术信息化、武术国际传播3

赵蓝飞（

1985-),男，满族，讲师，主要研究方向为视频目标检测、嵌人式系统设计、高动态范围图像处理等。97

I 互联网+应用nternet

Application打造了面向B域服务领域的专用知识图谱，构建运维语

(标签），作为客户意图挖掘和个性化推荐的基础，蕴含丰

富的语义信息，如用户使用终端品牌、用户等级、用户品牌、

消费金额、异常特征等，将属性进行定量分析后即可生成属

性类关系；互联网内容偏好（DPI解析的浏览频次），通过

获取用户订购信息并进行权益使用的定量分析后，生成具体

互联网APP (优酷，腾讯视频、爱奇艺等）偏好类关系；将

客户号码与“基础属性、互联网内容偏好、权益订购记录”

三类语义关系进行统一整合后，生成了全量用户的图谱关系

网。在大数据运营基础上引人AutoML理念，实现海量数据

的智能挖掘和规则提取，驱动权益优惠在全量客户进行精准

投放，助力外呼营销、企业微信等营业场景进行权益精益推

荐，同时知识图谱的推荐解释能力可以赋能客户服务系统，

实现客户感知提升。1.4 5G换机知识图谱5G换机知识图谱和权益知识图谱的实现方式类似，也

是基于图网络的协同过滤+链路预测方式，针对种子用户（已

换机5G用户）寻找属性最相似的客户群，并进行推荐最佳

终端型号。大数据标签库作为客户意图挖掘和个性化推荐的

基础，蕴含诸如属性、基本信息、终端偏好、品牌偏好、换

机特征、行为特征、位置、家庭关系等丰富的语义信息，客

户号码与便签均作为知识图谱的“实体”，两者关系作为“边”，

另外也纳入客户对5G终端的浏览日志作为偏好标签，共纳

入基础属性（包括10个基础属性、12个5G换机专用标签），

和客户在主流电商平台的5G终端搜索记录偏好标签11个，

构建知识图谱并基于链路预测方式，根据已5G换机用户对

其他全量用户的换机概率进行预测，输出客户针对主流5G

终端品牌（小米、华为、等）的换机推荐型号及置信度。

推荐结果以IOP方式对全渠道输出，反馈到前端业务工具支

撑渠道经理、存量运营经理等进行终端推荐，推荐理由也可

辅助生成推荐话术，运营逻辑也可固化下来成为知识，协助

权益运营策略不断迭代优化。1.5预沉默识别知识图谱天津移动基于知识图谱打造了预离网客户识别模型，对

预沉默属性的重要影响度进行知识推理、聚类分析，对于不

同类别结合专家对预沉默用户特征给出类别的名称和描述，

帮助运营人员进行分析预沉默用户的原因。模型首先通过随机森林算法实现标签针对场景的

重要性排序，通过KNN算法建立

知识围潸运営簠理系统嵌入丨营销主流程，实现个性化数

据选择、横型训练和客群生成；义网络，将运维知识实体之间的关系和逻辑进行图形化展示，

为“集智帮帮堂”智能机器人输出智慧应答能力，为工单处

理输出自动回复能力。在CRM/BOSS等营业前端，提供业务

/服务/数据/事件之间复杂关系的结构化输出，串联运营与

运维，为中国移动业务、服务、营销、运维等全量场景提供

图谱化的实体逻辑支撑，驱动业务服务一体化，服务支撑智

能化，海量数据处理自动化。知识图谱系统的训练数据来源

于海量的BOMC工单、在线客服记录、业务需求文本等，通

过语义、逻辑识别，抽取出实体（业务、故障、异常、需求等）

之间的关系，在客服系统实现语义搜索、智能问答、可视化

业务知识搜索。系统运维知识图谱作为智能应答的核心功能，也是中国

移动智慧中台建设内容的重要场景之一，通过以自然语言生

成、知识图谱意图切换、运维知识融合、原子化语义抽取等

技术打造运维机器人，以智能运维助手方式对网格支撑、营

业一线等实现倒三角服务支撑，目前已人驻集团统一

AI中

台，实现了一点部署、全网赋能，输出知识图谱能力。1.2企管知识图谱针对企管客户支撑的垂直行业场景，打造了“多轮对接

+知识图谱”驱动的智能应答机器人及知识图谱系统，企管

知识图谱是运维知识图谱构建模式在企管支撑领域的个性化

应用，也是基于历史工单记录的客户需求预测，融合“集智

帮帮堂”帮助台大厅实现客户问题的智能处理，以AI技术

确保问题能得到合理反馈，机器人服务感知良好。同时，企

管知识图谱的性能和精益运营密不可分，系统结合业务流程

和机器学习，打造了“人-机”协同的知识图谱运营模式，

实现快速敏捷的知识沉淀、提取和赋能。1.3权益推荐知识图谱针对互联网权益的运营和推荐是集团公司年度重点工

作，天津移动构建知识图谱驱动的权益新体系，以知识图谱

语义网络捕捉客户潜在意图及推荐商机，基于多种可能的推

荐链路进行推荐排序，将大数据系统、〖OP微营销、CRM权

益产品及优惠等系统能力进行语义链接，将传统的业务数据

转化为三维关系型数据。权益推荐知识图谱每个实体节点均

为一名客户，关系链接构建的源数据主要有两类：基础属性一体：知识囲灌运营篇理系班；两面：留能应答知识99谱，存置运营知识圓瓚；待识别客户的联系，形成语义网

络，根据标签传播算法（LPA)

实现面向图神经网络的半监督学

习方法，实现已处于“预离网”

状态的客户标签向全量用户标签

的传播，输出离网高风险客户号

码列表和离网概率。算法实施过

程中，基于节点影响度分析算法

计算用户对于周边链接节点的影

响度，基于信息增益等机器学习

指标筛选判断指标是否对于用户

是否离网有显著影响，影响大的

作为显著特征，影响用户和显著SIIS智能应答知识圈瓚运维知识固灌在运维存臟运营知识B谨图谱：基于互联网权益订购

种子用户进行用户群识别+权益推荐；

M务领域应用

5G换机知识图谱：通过5G终端用户进

行厲性知识推理，识别知识图谱，賦能智能应答系统逬行自

服务、预服务；企蕾知识图谱：打造面向企管支揮场SG换机商机；

预离网知识图谱：离网预警，客户维

系和业务推荐；预沉默知识图谱：主动运营眼务•II的个性化知识图灌，从历时工单挖

掘规律，辅助问题解决；JTt默用户预先识SU,

图丨“一体两面”的知识图谱运营管理体系98

互联网+应用nternet Application图2知识图谱统一管理的运营模式度提升。5G潜在换机知识图谱，纳人5G换机相关的客户标签宽

表及客户的终端浏览记录，完成第一轮模型训练，输出客户

针对主流5G终端品牌（小米、华为）等的偏好概率，由于

本阶段纳入的属性过多，达到40余个，生成推荐链路超过

500亿条，第一阶段形成9.8万5G换机推荐目标客户，推荐

成功率提升l〇PP，目前正在基于进行图数据库加速运算，结

合推荐结果进行优化迭代。运维知识图谱与智能机器人协同实现智能客服、知识库、

工单处理和服务预测功能，已抽取出400种故障现象，48种

解决方案，最终生成8311个图谱关系，累计为内外部客户

提供了 2.5万人次的智能应答服务。在人工智能技术的助推

下，天津公司的智能应答会话在总服务中的占比已达51%，

整体服务效率提升约25%。直接回复率提升了 10%，降低投

诉工单总量20%。预沉默知识图谱累计纳入2.3万预离网种

子用户，对12万特殊选取的用户生成预测结果，得到3.8万

的待维系客户群，査全率达85%，查全率达63%，验证了模

型的识别准确性。针对识别成功的客户，6月已执行了 5248

名用户的维系挽留，办理成功量625，办理成功率18.3%，

大幅超出非AI模型识别的成功率12%，直接效益显著。四、结束语本文开发了一套知识图谱智慧运营管理系统，链接用户

需求、知识、常识、权益和商机，基于语义推荐链路进行权

益推荐排序，嵌入IOP主流程，实现赋能大数据标签库/微

营销平台进行个性化推荐，智能客户画像，用户群智能分

析及生成，用户权益协同营销，在前端应用（电子渠道，

CRM，轻量化工具，短信，外呼等）实现了业务运营的集中

化支撑，提升推荐成功率。特征做相似度匹配，相似度高的作为大概率离网用户，输出

做对应提前预警。二、 运营管理模式知识图谱嵌入了主体业务运营流程来体现应用价值，知

识图谱关系复杂，基础数据量大，为了便于每一位存量运营

人员都能灵活方便的使用知识图谱，天津移动构建了存量运

营知识图谱管理系统，力求数据融合、业务融通、算法融智，

针对大数据平台输出的全量用户属性宽表、全量用户服务工

单记录及在线会话记录，实现模型的个性化设置和独立训练，

并基于业务需求输出结果。具体业务条线的运营人员，针对

大数据同步的全量客户属性宽表，可以个性化灵活选择符合

自身场景的标签，并基于自身运营场景进行生活、音乐、视频、

阅读等偏好的个性化选择，并灵活设置推荐权益与属性之前

的推荐权重，每一名存量运营人员可以基于自身需要去训练

个性化知识图谱，实现敏捷高效的支撑模式。在任务管理模

块，运营人员可以管理自定义模型的训练状态、推荐结果生

成状态，并对推荐结果进行测试和验证，实现模型训练的“事

前-事中-事后”全流程可视化管控。三、 应用推广情况知识图谱运营管理系统已在天津移动的业务运营工作中

正式应用，具体效果包括•_权益运营知识图谱，基于天津公司900万全量客户的

17类基础属性（标签）和9类市场部关注互联网内容权益（爱

奇艺、腾讯视频等），生成RDF三元组数据2.09亿条，并

基于基础关系数据生成105亿条推荐链路（权益推荐方案），

已纳入IOP实现全公司赋能。针对随心选双V会员优惠的外

呼推荐中，在5月22日的成功率最高达16.1%，相比传统

方法提升了 10%，实现面向权益运营的营销推荐办理率大幅[1】[2】[3]参考文献万倩，欧阳峰，赵明.知识图谱在广电网络运营大数据分析中的应用[J].广播与电视技术，2018, 45(012):79-86.金贵阳，吕福在，项占琴.基于知识图谱和语义网技术的企业信息集成方法[J].东南大学学报（自然科学版)，2014,25(02):250-255.

常亮，张伟涛，古天龙，等.知识图谱的推荐系统综述[J】.智能系统学报，2019, 12(02):120-124.赵东明（

1984

-)，男，汉族，河北廊坊人，高级工程师，博士研究生，浙江大学博士后在站，研究方向为人工智能算法与应用。

田雷（1983 -)，男，汉族，河北沧州人，工程师，硕士研究生，研究方向为计算机视觉。刘静（

1985-)，女，汉族，山东菏泽人，高级工程师，硕士研究生，研究方向为大数据推荐算法。石理（

1982-)，男，汉族，辽宁大连人，工程师，硕士研究生，研究方向为机器学习算法。99

本文标签： 知识图谱运营推荐客户