随着互联网技术在各个应用领域的不断蔓延,传统的客服方式越来越不能满足当前的业务形式以及客户需求,智能客服系统在这样的背景下逐渐发展起来。智能客服系统不仅为企业与用户之间的自然语言交流提供了一种便捷有效的技术支持,而且还为企业提供了详细的知识管理方法;另外,智能客服系统还能对收集到的企业数据进行整理分析,方便后期的管理。虽然智能客服系统在C端已有较为成熟的形态,但对于B端的企业用户来说还有很大的发展空间。由于智能客服可以反映出B端用户的特殊需求,为了避免客户资源无端浪费,企业可以据此制定针对B端用户的特殊化服务,解决用户不同阶段的产品功能需求,以此来提高收益。本文采用京东智能客服系统后台记录的B端企业用户的售后对话数据,为智能客服的语义匹配提供了一份可靠的语料资源。将原始数据处理后,本文对智能客服系统中语义匹配的结构进行了梳理,语义匹配就是在理解用户的问题后,将用户表达的意思和知识库中储存的问题进行匹配,从而准确的给用户返回正确的答案,这就涉及到语义匹配的精度问题,如果匹配的精确度高,那么在一定程度上会提升用户体验,而且能减少人工客服的压力、提高效率。智能客服系统主要包括五个部分:语句分析、检索、词向量生成、匹配和排序。在人工智能技术快速发展的时代,深度学习已经逐渐发展为目前处理自然语言问题的一种应用前景最广阔的技术,它可以通过模拟人脑对数据进行分析与学习,在诸多领域取得了巨大成就。但目前使用较多的基于词向量相似度的计算方法可能会忽略句子在特定语境下的相互作用。随着文本挖掘技术的发展,神经网络模型可以有效的解决这个问题,本文将几种神经网络模型:循环神经网络、卷积神经网络和长短期记忆网络应用到自然语言的相似度识别中来。以上模型都是将问题转化为词向量矩阵,输出问题与答案匹配后的相似度。此外,本文在长短期记忆网络模型中加入了注意力机制,经过一系列的语义编码和学习,最终匹配到相应的答案。将这几种语义匹配模型进行对比,结果表明,加入注意力机制的长短期记忆网络模型相较其他模型有更高的准确率和F1值,经过验证,对话数据中加入注意力机制后模型的匹配效果要优于其他模型。