深度學習：智慧對話機器人適用場景與技術解析

最早期人工智慧的提出是在1905的“圖靈測試”，之後陸續有關於聊天機器人的嘗試，1966年的ELIZA就是其中之一，它採用一種非常簡單的關鍵字匹配模式，再往後到1995年出現了更強一些的ALICE。

從2011、2012年開始國外的眾多公司都陸續嘗試人工智慧方面的研究，Siri、Google Now都是這時誕生的。2015年人工智慧進入爆發式增長時期，微軟、亞馬遜相繼涉及這一領域，2016年則是人工智慧最火的一年，這一年被稱為Bot元年。

目前雖然是聊天機器人的早期階段，但是整個產業已經相當完善，語音處理、文書處理、個人助理這些人工智慧領域都有公司在涉及。

個人資訊助理，幫助使用者管理日程、會議安排、輔助寫作。

客服/導購機器人，使用者通過與聊天機器人溝通獲取需要了解的資訊。

泛娛樂/教育聊天機器人，實現陪伴老人，教育小孩之類的功能。

愛因互動無論是內部還是外部都有很多的聊天機器人產品，為此我們在演算法層面上推出了DeepBot對話方塊架，它實現了針對不同情況使用不同機器人響應，並且每個機器人都採用不同的對應模型的功能。

當機器人接收到問題後會進行分析，分析涉及麵包括惡意檢測、實體識別、問題分類等等。分析完成後將會通過Route Bot決定是由哪個機器人回答。接下來有一個BotLets，每一個BotLets都有自身能處理的部分，無法處理的部分將會交由其他機器人。當這些機器人處理完問題後，將融合技術判斷機器人的回答質量，並決定使用哪個機器人的回答。

實體識別是用來抽取使用者問題中的關鍵部分，它從早期的序列標註開始，後續又經歷了HMM/CRF、LSTM、BiLSTM-CRF這樣的發展，可以說是留存相當久的技術了。

Route-Bot比較核心的兩個部分是領域以及意圖檢測。在單輪識別模型中，採用RNN/CNN的方式將語句表達成向量，然後使用DNN進行分類。多輪識別相對比較複雜，不僅要識別使用者當前說的話，還要分析當前語言環境。對此我們有一個專用的多輪識別引擎，它的基礎模組還是RNN/CNN，用來處理單個語句表達，而上面則多了一層RNN進行資訊的彙總。

FAQ中涉及的主要技術是搜尋和檢索，通常的邏輯是分析問題，然後通過檢索模組挑選出候選模組，最後使用匹配模組將候選部分進行排序。

和常規的FAQ不同，我們在FAQ中新增了語義匹配功能，並且可以在問題中帶背景，答覆中帶引數。

Task-Bot會獲取使用者與系統的互動中所產生的多種資訊，並基於這些資訊判斷下次系統給出什麼樣的迴應。它的典型系統框架是SLU -> DST -> DPO -> NLG， SLU負責將使用者語言翻譯成結構化資訊，DST追蹤使用者歷史對話資訊，DPO根據DST的結果獲取當前對話狀態，並以此給出答覆，NLG將DPO輸出的結構化資訊轉化為自然語言。

相比通過GUI進行推薦，採用對話的方式會更有優勢，因為這種方式可以讓使用者去實時修改資訊。推薦主要涉及到企業、產品、使用者三個方面。我們通過語音機器人所做的推薦，包含線下、近實時、實時三個模組。線下按天進行更新，近實時就是及時的對使用者的行為進行反饋。

推薦中最重要的資料是使用者與系統的互動資料，協同過濾裡用的最多的是使用者與產品的互動，再進一步是使用者、需求、產品之間的互動，另外還有使用者與使用者的互動。

本質上來說推薦模型都是用來表徵使用者和表徵產品。表徵使用者是利用表示學習獲取使用者相關的各種特徵，再把這些表示結果用於預測使用者的短期需求和長期需求。每個產品包含的服務及價格等基本資訊，可以刻畫此產品；而使用者對產品的購買等行為資料，也可以隱性刻畫此產品，這就是表徵產品。

目前的推薦系統中採用的最多的是融合，它興起於Netflix Prize競賽。常用的組合方式有預測值組合，組合多個演算法的預測值；特徵擴充，一個演算法的輸出作為另一個演算法的輸入特徵；切換，不同演算法間相互切換。

推薦除開要求準確的之外還有其他的指標，比如覆蓋面、多樣性、新穎性、驚奇性等。

Chitchat-Bot使用了檢索加生成式的技術結合，檢索可以保證可靠性，允許使用者新增qa對，秒級生效。生成式則保證100%召回，可以回答任何問題，降低知識庫維護門檻。

為了解決Chitchat-Bot的一些常見問題，我們在Chitchat-Bot中使用了CoverAge機制保證生成式語句不重複，還使用了copy機制保證稀有詞的產生，並且採用MMI提升生成結果的多樣性。

從效率上來看GUI更適合去做廣度的資訊展示，CUI則適合深度資訊展示。從感受上來說GUI的空間感更強，CUI的時間感更突出。基於以上兩點我們認為CUI去做推薦或者個性化的需求更加合適。

需要注意的是CUI本身並不會帶來直接的價值，而是通過作為使用者互動的入口這一媒介實現間接的價值。

- 使用者價值：能通過對話高效解決問題

- 稀缺性：成為細分領域的關鍵業務環節

- 技術成熟度：選擇合適的技術

- 清晰的知識結構和邊界

- 非標準化服務，資訊不對稱

- 能夠通過資料積累提升服務質量

- 能夠建立知識和技術壁壘