（注：此方式不适合金融催收类外呼机器人）

“为什么机器人总是答不对题？我们知识库里明明放了一大堆相似问题，可用户稍微换个说法，它就跟没看见一样。是不是只要问题里带了个关键词，机器人就该知道答案？

趁这个机会，把提问被

的底层逻辑讲清楚，再聊聊怎么才能。

一、使用率最高的3种匹配规则

通常来说，访客的提问跟知识库里的相似问之间，存在三种匹配方式：【完全匹配】、【包含匹配】、【智能匹配】。

1.完全匹配：必须一模一样

“帮我办理分期还款” —— 那访客的提问也得是这七个字，一个字不差，才算完全匹配（在NGD平台里叫相似度100%）。

“帮我办理分期还款” ✓

“帮我办理分期还款” ✗

2.包含匹配（也叫关键词匹配）

在相似问里用问答模板，只要提问

了预设的，就会触发。

• 相似问：
  把“分期”两个字设为某个答案的关键词。

• query：
  用户带着“分期”俩字进来，直接命中。

• 问题：
  这招乍看挺好用，但有个硬伤——在知识库里，同一个关键词只能挂一个相似问，不然就会打架。可实际业务里，“分期”能扯出的场景太多了，还款要分期、购物要分期、催收也要提分期，每个场景该给的答案都不一样，总不能全怼同一个回复。

• 适用范围：
  所以包含匹配只适合业务特别简单，或者某个关键词对应的场景极其单一的情况。大部分提问还是得靠其他方法覆盖。

3.智能匹配

通过算法，综合计算“query”和“相似问”的相似度，然后把相似度从高到低排出来。

「智能匹配」用得最广。它靠NLP语义识别加上一堆复杂的运算，逐层算访客提问跟预设问答的相似程度。算法很复杂，但好处是对提问的格式没太多限制，主要去抓用户想表达的意思。不过这也给机器人增加了难度，特别是外呼型机器人，因为牵扯到【text、ASR、NLP】三个模型之间的配合。

二、命中率低的原因

它的运算过程其实很精细，上线之后需要持续打磨才能越跑越顺。要是没花够时间优化，用户的提问就很难精准对上预设问答。在智能匹配里，“query”和“相似问”之间的匹配程度用“相似度”来衡量，相似度越高，命中率自然就越高。

• 举个典型例子

  • 用户提问：
    老婆刚怀孕家里实在是没钱了，可以分期吗

  • 命中的标准问：
    不分期不还

  • 相似度最高的相似问：
    没钱，你分期了再还

这个例子够直观：用户明明是想

，按理该命中“可以分期还款吗”这个标准问，结果机器却跳到了“不分期不还”上。

• 问题：
  错误命中

• 解决办法：
  分别优化“可以分期还款吗”和“不分期不还”这两个标准问里对应的相似问

• 目的：
  拉高用户提问跟相似问之间的相似度

所以说，想让机器人更准、覆盖面更广，核心就是提升智能匹配规则下 query 与相似问的「

」，从而拉高机器人的直接回答率。

三、3个视角全面提升机器人直接回答率

想有效提升「直接回答率」，得从覆盖、命中、引导三个角度同时下手。

1.覆盖更广

——这是机器人能独立解决更多提问的基础。换句话说，知识库里得有足够多、足够齐的预设问题方向，而且后期还得持续维护。

日常动作就是：

2.命中更易

——接下来要做的，就是让用户的提问能最大程度地撞上正确的相似问。所谓相似问，其实就是针对同一个标准问，收集的各种不同问法。

相似问跟用户提问越像、越全，命中的概率就越大。

3.引导更准

（注：此方式不适合金融催收类外呼机器人）

——当相似度在40%到80%之间时，机器人会推送多个同区间的“标准问”，供用户点选。这时候标准问写得好不好，直接决定了用户能不能选对，也决定了后续基于用户选择延伸出的相似问准不准。

标准问的设置常见两种误区。拿“优惠券”举例：一种是把描述搞得很复杂，比如“我想买东西，看到有优惠券，但不知道如何使用”，加了一堆描述和限制，反而让人困惑；另一种是写得太简单，就“优惠券”仨字，又太宽泛，用户根本不知道到底想问什么。正确做法是简明扼要说清楚，比如“优惠券怎么使用”，简洁又清晰。

别小看标准问这步——用户的正确定点选择，会直接影响相似问的拓展精度，对提升命中率很关键。