社区首页 >专栏 >超精准！AI 结合邮件内容与附件的意图理解与分类！⛵

超精准！AI 结合邮件内容与附件的意图理解与分类！⛵

原创

ShowMeAI

发布于 2022-11-18 08:59:16

1.5K00

代码可运行

文章被收录于专栏：ShowMeAI研究中心ShowMeAI研究中心

运行总次数：0

代码可运行

借助AI进行邮件正文与附件内容的识别，可以极大提高工作效率。本文讲解如何设计一个AI系统，完成邮件内容意图检测：架构初揽、邮件正文&附件的理解与处理、搭建多数据源混合网络、训练&评估。

💡 作者：韩信子@ShowMeAI 📘 深度学习实战系列：https://www.showmeai.tech/tutorials/42 📘 TensorFlow 实战系列：https://www.showmeai.tech/tutorials/43 📘 本文地址：https://www.showmeai.tech/article-detail/332 📢 声明：版权所有，转载请联系平台与作者并注明出处 📢 收藏ShowMeAI查看更多精彩内容

对于很多企业而言，电子邮件仍然是主要沟通渠道之一，很多正式的内容也要基于邮件传达，供应商、合作伙伴和公共管理部门也每天会有大量的电子邮件。邮件的信息提取和处理可能是一项耗时且重复的任务，对拥有大量客户的企业而言尤其是这样。

💡 场景 & 背景

有一些场景下，如果我们能借助于AI自动做一些内容和附件等识别，可以极大提高效率，例如以下这些场景：

保险公司的客户索赔管理。
电信和公用事业企业客户投诉处理。
银行处理各种与抵押贷款相关的请求。
旅游行业公司的预订相关电子邮件。

如果我们希望尽量智能与自动化地进行电子邮件处理，我们需要完成以下任务：

电子邮件分流。我们希望智能理解邮件，并将其转到相应的专门业务部门进行处理。在AI的视角我们可以通过电子邮件的意图分类来尝试解决这个问题。
信息提取。根据确定的意图，提取一些信息给到下游流程，例如在CRM系统中记录客户案例进行跟踪。

在本篇文章中，ShowMeAI 将专注于意图检测部分，我们将一起看一看如何设计一个AI系统来解决这个任务。

💦 场景 1

假设一家保险公司客户，想申请理赔与报销。这个场景下他会填写保险报销表，并将其连同药物收据和银行 ID 文件附在电子邮件中。可能的一个电子邮件可能长这样：

💦 场景 2

假设一家银行的客户，搬家并对之前的某项服务费有疑问。如果选择发送电子邮件来进行申请和处理，邮件可能长这样：

💡 实现方案

本文会涉及到NLP相关知识，有兴趣更系统全面了NLP知识的宝宝，建议阅读ShowMeAI 整理的自然语言处理相关教程和文章
📘深度学习教程：吴恩达专项课程 · 全套笔记解读📘深度学习教程 | 自然语言处理与词嵌入📘NLP教程 | 斯坦福CS224n · 课程带学与全套笔记解读📘NLP教程(1) - 词向量、SVD分解与Word2Vec📘NLP教程(2) - GloVe及词向量的训练与评估

💦 架构初览

我们前面提到了，在意图识别场景中，我们经常会视作『多分类问题』来处理，但在我们当前场景下，有可能邮件覆盖多个意图目的，或者本身意图之间有重叠，因此我们先将其视为多标签分类问题。

然而，在许多现实生活场景中，多标签分类系统可能会遇到一些问题：

电子邮件在大多数情况下是关于一个主要意图，有时它们具有次要意图，在极少数情况下还有第三个意图。
很难找到涵盖所有多标签组合的标签数据。

我们可以试着构建一个融合方案来解决，可以预测主要意图并检测剩余的次要意图和第三意图，我们可以设计多输出神经网络网络来实现这一点，如下图所示。

我们涉及到2类输入：电子邮件正文和附件，在深度学习场景下，我们都需要对它们做向量化标准。如下图的架构是一个可行的尝试方案：我们用transformer类的模型对正文进行编码和向量化标注，而对于附件，可以用相对简单的NLP编码器，比如TF-IDF。

💦 实现细节

① 电子邮件正文：AI理解&处理

整个方案中最重要的输入是正文数据，我们在深度学习中，需要把非结构化的数据表征为向量化形式，方便模型进行信息融合和建模，在自然语言处理NLP领域，我们也有一些典型的向量化嵌入技术可以进行对文本处理。

最『简单』的处理方法之一是使用 📘TF-iDF + 📘PCA。

对于文本（词与句）嵌入更现代一些的 NLP 方法，例如 Word2Vec 和 📘Doc2Vec ，它们分别使用浅层神经网络来学习单词和文本嵌入。大家可以使用 gensim 工具库或者 fasttext 工具库完成文本嵌入，也有很多预训练的词嵌入和文本嵌入的模型可以使用。

关于 TF-IDF 和 DocVec 的详细知识，可以查看ShowMeAI 的文章 📘基于NLP文档嵌入技术的基础文本搜索引擎构建。

现在最先进的技术是基于 transformer 的预训练语言模型（例如 📘BERT）来构建『上下文感知』文本嵌入。我们上面的方案中也是使用最先进的深度学习方法——直接使用 📘HuggingFace的 📘预训练模型和 📘API 来构建正文文本嵌入。

transformer 系列的模型有很多隐层，我们可以有很多方式获取文本的向量化表征，比如对最后的隐层做『平均池化』获得文本嵌入，我们也可以用倒数第二层或倒数第三层（它们在理论上较少依赖于训练语言模型的文本语料库）。

对文本做嵌入表示的示例代码如下：

# 大家可以先命令行执行下列代码安装sentence-transformers
# pip install -U sentence-transformers

from sentence_transformers import SentenceTransformer
# 需要编码的文本内容列表
sentences = ["This is example sentence 1", "This is example sentence 2"]

# 编码，文本向量化嵌入表征
model = SentenceTransformer('sentence-transformers/all-MiniLM-L6-v2')
embeddings = model.encode(sentences)
print(embeddings)

② 电子邮件附件：AI理解&处理

我们在这个解决方案中，单独把邮件附件拿出来做处理了。在有些处理方式中，会把附件的内容和正文直接拼接，用上面介绍的方式进行编码，但这样处理不够精细，可能有如下问题而导致最后模型效果不佳：

附件文本可能非常大，包含许多多余的内容，这些内容可能会淹没电子邮件正文中更重要的微妙细节。
对于意图检测而言，重要的是文档的性质或类型，而不是详细的内容。

基于上述考虑，我们单独训练附件分类器来生成附件的密集向量表示。可能我们的附件包含不规则的 PDF 或者图片，我们可能要考虑用 OCR 引擎（例如 Tesseract）进行识别和提取部分内容，

假设我们的附件数量为N，DC 是经过训练的附件分类器。DC对每个附件预测处理输出一个向量（文档类型分布概率向量）。由于最终的附件向量表示需要具有固定长度（但是N是不确定的），我们在附件维度上使用最大池化得到统一长度的表征。

以下是为给定电子邮件生成附件向量化表征的代码示例：

# DC是文档分类器
distributions = []
for attachment in attachments:
  current_distribution = DC(attachent)
  distributions.append(current_distribution)
np_distributions = np.array(distributions) #维度为(X,N)的附件向量组
attachments_feat_vec = np.max(np_distributions, axis=0) #最大池化

③ 搭建多数据源混合网络

下面部分使用到了TensorFlow工具库，ShowMeAI 制作了快捷即查即用的工具速查表手册，大家可以在下述位置获取：TensorFlow速查手册

在上述核心输入处理和表征后，我们就可以使用 Tensorflow 构建一个多分支神经网络了。参考代码如下：

def build_hybrid_mo_model(bert_input_size, att_features_size, nb_classes):
    emb_input = tf.keras.Input(shape=(bert_input_size,), name="text_embeddings_input")
    att_classif_input = tf.keras.Input(shape=(att_features_size,), name="attachments_repr_input")


    DenseEmb1 = tf.keras.layers.Dense(units=256, activation='relu')(emb_input)
    compressed_embs = tf.keras.layers.Dense(units=32, activation='relu', name="compression_layer")(DenseEmb1)
    combined_features = tf.keras.layers.concatenate([compressed_embs,att_classif_input], axis=1)


    Dense1= tf.keras.layers.Dense(units=128)(combined_features)
    Dense2= tf.keras.layers.Dense(units=128)(Dense1)


    out1 = tf.keras.layers.Dense(units=nb_classes, name="intention_category_output")(Dense2)
    out2 = tf.keras.layers.Dense(units=1, name="information_request_output")(Dense2)


    model = tf.keras.Model(inputs=[emb_input,att_classif_input], outputs=[out1, out2])
    losses = {
        "intention_category_output" : tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
        "information_request_output" : tf.keras.losses.BinaryCrossentropy(from_logits=True)}


    model.compile(optimizer="adam",loss= losses,  metrics=["accuracy"])


    print (model.summary())
    
    return model