說“知識庫”之前，需要明確兩個概念，知識庫來自兩個不同的領域，一個是傳統的數據庫領域，傳統知識庫。另一個是人工智能及其分支-知識工程領域，叫做智能知識庫，

一、傳統知識庫

我們呼叫中心的知識庫截至目前其實是屬于傳統知識庫，或者叫做知識庫管理系統。主要是用來管理我們常用的一些業務、資費、營銷活動的結構化知識以及其它文檔、圖紙、視頻和音頻等信息的非結構化知識。

呼叫中心知識庫管理系統主要有什么功能呢，根據需求不同可能涵蓋功能會有變化：

（一）、操作員管理

每一個操作人員使用各自的操作員代碼進入系統，操作員的操作實行權限管理：不同的操作員的操作權限有所不同,操作員的系統操作權限大致可以分為三種：知識的瀏覽、查詢權限、添加和修改知識庫權限、提交權限、修改權限、最終審核權限等。

（二）、知識庫管理

知識收集：包括知識編號、知識的標題、大類、小類、關鍵字、發布時間、瀏覽次數、發布人、是否審核、知識內容的詳細描述、最后瀏覽時間、備注等

知識來源：直接錄入、坐席的【我的知識】模塊的知識轉入、服務受理模塊的知識轉入

知識維護：修改知識的標題、發布時間、發布人、備注、歷史記錄等。同時可以刪除該需求。

知識審核：由擁有審核權限的操作員對知識進行審核。只有當該知識通過審核后，該知識才能在知識庫生效。

（三）搜索和瀏覽

搜索和瀏覽是知識管理系統的關鍵所在，操作人員需要有限的時間內找到問題的答案。在這種壓力下，系統提供快速高效找到答案的方法是非常重要的

搜索和瀏覽主要功能如下：

1、浮動搜索：針對知識標題的即時搜索。這種搜索方法和Google的搜索很相似，只要輸入有效的關鍵字則即時浮動下拉顯示出相關的答案，在給出的答案中選擇符合客戶需求的信息。

2、快速搜索：可分別根據標題、關鍵字、內容快速匹配，便于客服人員快速找到答案。

3、自定義搜索：操作員可以根據需要，自定義結構化的搜索方式。

4、排行榜：將一段時間內，訪問最大的知識呈現給坐席，清晰明了，便于客服人員在其中選擇合適的答案

（四）報表統計

系統提供按照知識登記日期、知識大類、知識小類統計報表。

可以看出來傳統的知識庫其實是管理系統的一種，也是增刪改查為核心的傳統IT應用（偏向于管理結構化數據和知識）。起碼運營商的知識庫管理系統在每個省的應用是規模較大的IT系統，涉及的人員多、流程多，需求調整頻繁，用戶滿意度低。

傳統知識庫系統對于坐席來說非常重要，最新的資費、業務、政策或者營銷活動都通過知識庫系統傳遞給坐席，沒有一個坐席是可以掌握這么多結構化知識的，所以傳統知識庫對于坐席來說非常重要的，但是重要意義僅限于“業務知識庫”，通過這個工具來學習、掌握和使用業務知識。

二、智能知識庫

某某講的知識庫主要是說“智能知識庫”，什么是智能知識庫（這個名字也是我用來和傳統呼叫中心知識庫進行區分的）呢？AI人士眼中的知識庫(Knowledge Base)是知識工程中結構化，易操作，易利用，全面有組織的知識集群，是針對某一(或某些)領域問題求解的需要，采用某種(或若干)知識表示方式在計算 機存儲器中 存儲、組織、管理和使用的互相聯系的知識片集合。這些知識片包括與領域相關的理論知識、事實數據，由專家經驗得到的啟發式知識，如某領域內有關的定義、定理和運算法則以及常識性知識等。

有點繞。

智能知識庫與傳統知識庫相比，有幾個明顯特點：

1、知識庫的知識是有層次的。最低層是“事實知識”，中間層是用來控制“事實”的知識（通常用規則、過程等表示）；最高層次是“策略”，它以中間層知識為控制對象。知識庫的基本結構是層次結構，是由其知識本身的特性所確定的，知識片間通常都存在相互依賴關系。

2、自動知識抽取。自動知識抽取的最大優勢是良好的可擴展性，即快速構建大規模知識庫的能力，但這種可擴展性常常以犧牲精度和某些知識類型上的覆蓋率為代價。所以需要很多研究工作來提升抽取的精度和覆蓋率（尤其是屬性和關系提取的精度和覆蓋率），同時需要研究如何將自動抽取、手工編輯相結合而得到高性價比的知識庫。從抽取的知識類型來看，目前的知識類型和知識結構可能尚不足以有效支持自然語言理解等應用。相比于人類的知識結構，計算機知識庫中所包含的常識和與動作相關的知識還不足。

智能知識提取的主要任務就是構建知識圖以及生成圖結點間的關系，具體子任務包括：

實體名提取提取實體名并構造實體名列表。（如88元套餐，是一個個例）

語義類提取構造語義類并建立實體（或實體名）和語義類的關聯。（如資費、營銷活動、是一個類）

屬性和屬性值提取為語義類構造屬性列表，并提取類中所包含實體（或實體名）的屬性值。（如88元資費的資費編碼、描述、資費介紹等等是屬性）

關系提取構造結點間的關系函數，并提取滿足關系的結點元組。

三、幾個概念

1、知識圖譜

知識圖譜好像和智能知識提取相關，知識圖譜是圖狀具有關聯性的知識集合。知識圖譜是比較新的一個說法，的確應該是受語義網的啟發。把語義網的知識庫給形象化的表示出來了。重在抽取關系，便于展示高關聯性，高結構化的結果。

2、原子化知識庫

重構互聯網化的知識支撐系統，改變文檔式的傳統知識庫，將知識文檔“肢解”，碎片化處理，統一知識底層為顆粒度更小的原子化的知識點，組合形成原子化知識庫（Atomic Knowledge Management System，以下簡稱AKMS），實現對全渠道服務的知識集中支撐系統。

建設AKMS其實就是解決兩個問題，第一，將知識點打碎，形成一個一個F&Q（Frequently Asked Questions，頻繁出現的問題）以便于知識點的存儲和更智能的搜索調用，這種調用是在機器人服務和在線服務中的使用模式；第二，將知識點重組，形成更具邏輯可以查看的文檔式結構，以便于一線同事的查閱。

關于原子化知識庫，廣東在線進行了一些試探。廣東在線任亞龍在《服務轉型,從原子化知識庫起步》進行了闡述，該文章百度可以搜索。

四、2016年總結的知識庫建設目標

1、知識智能輔助

結合語音識別系統，通過識別實時通話內容，確認服務場景，分析用戶意圖，主動、智能提供知識內容，支持人工服務與智能服務結合，減少坐席手動操作步驟。

2、智能自我進化

能夠通過自我學習，完成知識庫引擎的自我進化，能夠自我升級語義分析能力，提高搜索準確率以及自動采編識別率

3、自動采編

支持知識自動采編，能夠將多種非結構化素材進行結構化轉換，并自動采編為知識，具有學習能力，能夠逐步提升采編的準確性，減低知識采編壓力。

4、服務智能融合

將知識和服務進行結合，為客戶提供智能化的知識服務，能夠為客戶提供實時的相關業務操作，提高服務效率。

五、下一步規劃

1、知識庫在傳統客服、文本服務機器人、語音導航里面都將得到更好的應用，起碼語音導航的語義理解知識庫（小型知識庫）我們是必須統籌建設的。

2、針對傳統客服的傳統知識庫，通過提升搜索、跟隨能力提升知識庫的利用率。

3、希望統一做的知識庫可以考慮融合坐席的需求，建設更加強大的知識庫系統。