JDs customer service representatives are expected to handle
millions of requests on a daily basis. Regular AI customer
service systems, which are online 24/7, are capable of
offering instant assistance, which frees up labour resources
to a large extent. However, it is quite challenging, if not
impossible, for those systems to interpret emotions from
customer input and respond in as friendly a manner as a
human being.
Against this background, based on a huge data set of
customer comments and the rich experience of Natural
Language Processing, our system can automatically detect
sentiments like "happy, angry, anxious," etc. Moreover, this
system can also detect the intensity of the customer's
sentiment. Furthermore, we adapt Convolutional Neural
Networks, a widely used technique in visual computing, to
interpret the semantic meaning of the customers
expression. It can improve the systems performance for
sentiment classification and intensity detection. Moreover,
with the adoption of transfer learning, the system can also be
applied to various types of data. To overcome the difficulty
of limited training data, we also use data augmentation
methods such as reverse translation and data noise to
increase the variability of training data.
Up to now, the system has reached 90 % recall and 74 %
accuracy for sentiment classification over seven categories.
The overall recall and accuracy for sentiment intensity are
also around 85 %. The system has increased customer
satisfaction by 57 %.

Les représentants du service client de JD sont censés traiter quotidiennement des millions de demandes. Les systèmes de service client d'IA réguliers, qui sont en ligne 24 heures sur 24, 7 jours sur 7, sont capables d'offrir une assistance instantanée, ce qui libère dans une large mesure les ressources en main-d'œuvre. Cependant, il est assez difficile, voire impossible, pour ces systèmes d'interpréter les émotions des commentaires des clients et de répondre de manière aussi amicale qu'un être humain. Dans ce contexte, sur la base d'un vaste ensemble de données de commentaires de clients et de la riche expérience du traitement du langage naturel, notre système peut détecter automatiquement des sentiments tels que "heureux, en colère, anxieux", etc. De plus, ce système peut également détecter l'intensité du sentiment du client. De plus, nous adaptons les réseaux de neurones convolutifs, une technique largement utilisée en informatique visuelle, pour interpréter la signification sémantique de l'expression des clients. Il peut améliorer les performances des systèmes pour la classification des sentiments et la détection de l'intensité. De plus, avec l'adoption de l'apprentissage par transfert, le système peut également être appliqué à divers types de données. Pour surmonter la difficulté des données d'entraînement limitées, nous utilisons également des méthodes d'augmentation des données telles que la traduction inverse et le bruit des données pour augmenter la variabilité des données d'entraînement. Jusqu'à présent, le système a atteint 90 % de rappel et 74 % de précision pour la classification des sentiments sur sept catégories. Le rappel global et la précision de l'intensité du sentiment sont également d'environ 85 %. Le système a augmenté la satisfaction des clients de 57 %.

JD.com Int.'s emotion-sensitive AI customer service is
supported by AI technology and the deep learning method. It
was developed for ameliorating the accuracy of detecting
customer sentiment and its intensity. The service has
achieved 74 % accuracy and 90 % recall for sentiment
classification, while for intensity detection it has achieved
85 % accuracy and 85 % recall. During the special 618 sale,
it increased customer satisfaction by 57 %.

Le service client d'IA sensible aux émotions de JD.com Int. est soutenu par la technologie d'IA et la méthode d'apprentissage en profondeur. Il a été développé pour améliorer la précision de la détection du sentiment des clients et de son intensité. Le service a atteint une précision de 74 % et un rappel de 90 % pour la classification des sentiments, tandis que pour la détection d'intensité, il a atteint une précision de 85 % et un rappel de 85 %. Lors de la vente spéciale 618, elle a augmenté la satisfaction client de 57 %.

Emotion-sensitive AI customer service