Е.В. Романова1, О.Д. Миронова2, В.А. Малекова3

1,3 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)
2 ФГАОУ ВО «Московский физико-технический институт (национальный исследовательский университет)» (г. Долгопрудный, Московская обл.)
1 EkVRomanova@fa.ru, 3 VAMalekova@fa.ru

Постановка проблемы. В статье рассматривается актуальная проблема – реализация чат-бота для оптимизации взаимодействия с пользователями портала поддержки пользователей Бизнес-инкубатора Финансового университета при Правительстве Российской Федерации. При этом необходимо провести обзор существующих решений для подбора оптимальной модели маршрутизации пользовательских запросов.

Цель. Разработать и реализовать чат-бот в системе Teltgram со встроенным алгоритмом машинного обучения для взаимодействия с пользователем портала поддержки пользователей Бизнес-инкубатора Финансового университета при Правительстве Российской Федерации.

Результаты. Подобрана оптимальная модель классификации запросов с целью оптимизации портала поддержки пользователей, с помощью сравнительного анализа точности различных классических моделей классификации текстов на естественном языке. Для оценки точности моделей были применены метрики: Accuracy, Precision, F1, Recall, наивысшую точность показала модель Random Forest. Также выстроен уровень уверенности для функциональных групп, который критически важен при достаточно большом количестве классов. Осуществлен сравнительный анализ характеристик библиотек NLTK и Rasa, предназначенных для создания вопросно-ответных систем. Создан алгоритм реализации чат-бота. Произведена контейнеризация с использованием платформы контейнерных приложений Docker. Выполнена подготовка сервисов машинного обучения, сконструированных для обработки и анализа данных в реальном времени. Обозначены конфигурации, которые будут определять последовательность компонентов для обработки и анализа текста. Реализованы функции для взаимодействия с выбранной моделью классификации – Random Forest. Обсуждены возможности использования созданного алгоритма применимо к задачам обработки входящих сообщений пользователей, а также способы оптимизации созданной системы и внедрения ее для решения конкретных бизнес-задач.

Практическая значимость. Разработанная система позволяет оптимизировать процесс распределения пользовательских обращений среди сотрудников Бизнес-инкубатора Финансового университета при Правительстве Российской Федерации, а также значительно уменьшает объем ручной обработки сообщений операторами. Внедрение созданного алгоритма оптимизации в функционал портала поддержки пользователей предполагает предоставление технической поддержки и дальнейшее совершенствование системы в соответствии с актуальными задачами.

Романова Е.В., Миронова О.Д., Малекова В.А. Разработка чат-бота для портала поддержки пользователей с применением методов машинного обучения // Нелинейный мир. 2025. Т. 23. № 3. С. 54–65. DOI: https://doi.org/10.18127/ j20700970-202503-07

1. Чижова И.А., Кублик Е.И., Чипчагов М.С., Лабинцев А.И. Повышение эффективности фильтрации спама на основе методов машинного обучения в сообщениях различной природы // Нейрокомпьютеры: разработка, применение: международный научно-технический журнал. 2022. Т. 24. № 5. С. 5–18. DOI 10.18127/j19998554-202205-01.
2. Коротеев М.В. Обзор современных методов обработки естественных языков на основе машинного обучения // Hi-Hume Jornal – журнал высоких гуманитарных технологий. 2024. № 4.
3. Прокопчина С.В., Рябов П.Е., Щетинин Е.Ю. Машинное обучение сверточной нейронной сети на основе регуляризирующего байесовского подхода // Нейрокомпьютеры: разработка, применение. 2024. Т. 26. № 3. С. 36–44. DOI: 10.18127/j19998554-202403-04.
4. Коротеев М.В. Обзор некоторых современных тенденций в технологии машинного обучения // E-Management. 2018. Т. 1. № 1. С. 26–35. DOI: 10.26425/2658-3445-2018-1-26-35.
5. Калажоков З.Х. Особенности построения нейронных сетей, влияющие на их качество и способность к обучению // Автоматизация. Современные технологии. 2023. Т. 77. № 12. С. 539–543.
6. Максютин П.А., Шульженко С.Н. Обзор методов классификации текстов с помощью машинного обучения // Инженерный вестник дона. 2022. № 12 (96). С. 1–9.
7. Al-Hawari F., Barham H. A machine learning based help desk system for IT service management. Journal of King Saud University – Computer and Information Sciences. 2021. V. 33. № 6. P. 702–718. DOI:10.1016/j.jksuci.2019.04.001.
8. Angari A., Marcuzzo M., Schiavinato M., Gasparetto A., Albarelli A. Ticket automation: An insight into current research with applications to multi-level classification scenarios. Expert Systems with Applications. 2023. V. 225. URL: https://www.sciencedirect.com/science/article/pii/S0957417423 004864?via%3Dihub. Дата обращения: 17.09.2024, doi:10.1016/j.eswa.2023.119984.
9. Королев С.А., Полупанов А.А. Диалоговая система службы поддержки на основе глубокого обучения // Прикладная математика: современные проблемы математики, информатики и моделирования: Сб. трудов Материалы II Всерос. науч.-практ. конф. (Краснодар, 22–25 апреля 2020 г.) Краснодар, 2020. С. 341–345.
10. Глазкова А.В. Сравнение нейросетевых моделей для классификации текстовых фрагментов, содержащих биографическую информацию // Международный журнал Программные продукты и системы. 2019. № 2. С. 263–267. DOI:10.15827/0236-235X.126.263-267.
11. Lutfullaeva M., Medvedeva M., Komotskiy E., Spasov K. Optimization of Sentiment Analysis Methods for classifying text comments of bank customers. IFAC-PapersOnLine. 2018. V. 51. 32. P. 55–60. URL: https://www.sciencedirect.com/science/ article/pii/S2405896318330507. Дата обращения: 17.09.2024, doi:10.1016/j.ifacol.2018.11.353.
12. Ngai E., Li Xiu, Chau D. Application of data mining techniques in customer relationship management: A literature review and classification 1 March 2009 Business, Computer Science DOI:10.1016/j.eswa.2008.02.021.
13. Кочкаров А.А., Макрушин С.В., Каменчук В.Е., Блохин Н. В. Экспериментальная теория графов и алгоритмы анализа сетевых моделей: учебное пособие. М.: КноРус. 2024. 160 с.
14. Малекова В.А., Романова Е.В. Генерация вопросов на естественном языке с помощью нейросетей // Проблемы экономики и юридической практики. 2022. Т. 18. № 2. С. 235–239.