【51CTO.com原創(chuàng)稿件】當(dāng)下電商行業(yè)相對成熟且呈現(xiàn)出諸多形態(tài)，如何為終端用戶提供更好的服務(wù)，進(jìn)而提高運營和企業(yè)的效率，是每個電商企業(yè)不得不面對的問題，智能導(dǎo)購對話機(jī)器人在這樣的背景下應(yīng)需而生。本期《大咖來了》直播欄目邀請的是智能一點CTO莫瑜，分享主題為《智能導(dǎo)購對話機(jī)器人實踐》，深入闡述了智能導(dǎo)購對話機(jī)器人背后的技術(shù)細(xì)節(jié)，及實際研發(fā)過程中的一些總結(jié)與思考。

智能導(dǎo)購對話機(jī)器人的應(yīng)用場景

什么場景需要智能導(dǎo)購對話機(jī)器人呢？用戶在夜間購物是很難找到人工客服的，此時智能導(dǎo)購機(jī)器人對提高電商客戶的成交就起到非常重要的作用。當(dāng)雙11、618等大促時，雖然提前幾個月去籌備人工客服，來應(yīng)對幾十倍甚至上百倍暴增的流量，但效率和資源投入方面都不盡人意，此時智能導(dǎo)購對話機(jī)器人就派上了用場。

如下圖，為整個對話機(jī)器人后臺的粗略架構(gòu)

當(dāng)智能對話機(jī)器人通過不同電商客戶端接收到用戶消息后，如能直接回答便會自動回復(fù)，超出能力范圍便會分發(fā)給人工客服。智能對話機(jī)器人自動回答用戶問題的流程是這樣的，首先對話管理平臺接收消息，根據(jù)上下文理解用戶意圖，分發(fā)智能導(dǎo)購機(jī)器人，中控模塊收接到智能導(dǎo)購機(jī)器人的反饋后做最終仲裁，并把結(jié)果反饋給用戶。整個流程看似簡單，但技術(shù)實現(xiàn)卻不是易事。

智能導(dǎo)購對話機(jī)器人背后的技術(shù)細(xì)節(jié)

智能導(dǎo)購機(jī)器人包含三部分，分別是問答機(jī)器人、任務(wù)機(jī)器人和推薦機(jī)器人。問答機(jī)器人主要解決不需要通過多輪交互便可以解決的問題，是任務(wù)機(jī)器人的基礎(chǔ)。任務(wù)機(jī)器人通過跟用戶多輪的交互，從而幫助用戶解決某個需求，比問答機(jī)器人更上一層。推薦機(jī)器人基于任務(wù)和問答機(jī)器人構(gòu)建，特點在于主動和用戶進(jìn)行交互。

問答機(jī)器人   

問答機(jī)器人一般是基于問答庫構(gòu)建，問答庫中存儲幾萬、幾十萬甚至更多已知相匹配的問題與答案數(shù)據(jù)，當(dāng)用戶輸入的問題與庫中某一個問題語義相同時，便把相應(yīng)答案反饋給用戶?；趩柎饚斓膯柎饳C(jī)器人一般采用基于規(guī)則、統(tǒng)計學(xué)習(xí)、預(yù)訓(xùn)練模型、小樣本學(xué)習(xí)的技術(shù)方案：

基于規(guī)則和統(tǒng)計學(xué)習(xí)方式

當(dāng)用戶消息中包含某個關(guān)鍵詞，匹配某個正則表達(dá)式，及符合某個規(guī)則引擎時，準(zhǔn)確識別意圖，反饋對應(yīng)答案。這種方式簡單可控，但缺少語義理解，不容易維護(hù)。

基于統(tǒng)計學(xué)習(xí)的方案需要標(biāo)注數(shù)據(jù)，像SVM、Deep Semantic Model（深度語義模型）、這些模型會涉及到人工設(shè)計特征、深度特征、one-hot（稀疏表達(dá)）和embedding（稠密表達(dá)）。相比基于規(guī)則的方式，基于統(tǒng)計學(xué)習(xí)的方案學(xué)到更多語義，但缺點在于需要大量領(lǐng)域知識、領(lǐng)域相關(guān)標(biāo)注數(shù)據(jù)。

基于預(yù)訓(xùn)練模型和小樣本學(xué)習(xí)

在缺少數(shù)據(jù)標(biāo)注的情況下，可以選擇基于預(yù)訓(xùn)練模型和小樣本學(xué)習(xí)這兩種方式。2018年基于BERT 的Fine tuning發(fā)布，很多問題的最佳結(jié)果得到刷新，語義相似度方面也是一樣。

當(dāng)每個問答庫的數(shù)據(jù)非常少，每一個意圖場景僅有幾條，可以嘗試使用基于小樣本學(xué)習(xí)方式。

除了，基于問答庫的問答機(jī)器人之外，還有一種很重要的基于知識圖譜的問答機(jī)器人：

基于知識圖譜方式

大部分用戶咨詢的問題都與商品或活動相關(guān)，這些問題基本上可以建模為知識圖譜。在電商領(lǐng)域，商品、活動數(shù)據(jù)是非常重要的兩部分?jǐn)?shù)據(jù)源，再加之行業(yè)數(shù)據(jù)全部存到數(shù)據(jù)庫中，就可以查詢并回答大多數(shù)用戶的問題。

如下圖，為知識圖譜的構(gòu)建和問答模式

客戶原有的結(jié)構(gòu)化數(shù)據(jù)、從頁面抽取的半結(jié)構(gòu)化數(shù)據(jù)，以及像用戶評論等非結(jié)構(gòu)化數(shù)據(jù)是知識圖譜的三大數(shù)據(jù)源，在此之上構(gòu)建知識圖譜，結(jié)合知識圖譜進(jìn)行查詢之后，放到相應(yīng)的存儲引擎中去，如有些數(shù)據(jù)需要做頻繁查詢，也可放到關(guān)系數(shù)據(jù)庫中。當(dāng)收到用戶請求，可以進(jìn)行句法解析把句子轉(zhuǎn)化成查詢形式，也可以對問題進(jìn)行核心部分提取并查詢。

任務(wù)機(jī)器人

對話交互系統(tǒng)是任務(wù)機(jī)器人的核心，包含語義理解、對話管理、文本生成等模塊，如下圖為比較常用且相對成熟框架。

語義理解又可以細(xì)分為領(lǐng)域分類、意圖識別和槽值抽取三部分，首先判斷用戶問題屬于哪個領(lǐng)域，其次理解用戶意圖，并識別用戶意圖后進(jìn)行槽值抽取（獲取對應(yīng)意圖場景關(guān)聯(lián)的重要參數(shù)）。

意圖識別

意圖識別是非常重要的模塊，如果意圖識別失敗或錯誤，整個后續(xù)的交互會顯得非常古怪。如下圖，為意圖識別綜合方案。

此組合方案中，基于參數(shù)模型意圖識別為主，基于上下文、規(guī)則和KNN意圖識別為輔。使用傳統(tǒng)特征和深度模型特征去融合基于標(biāo)注數(shù)據(jù)做的模型，把模型當(dāng)做分類器，輸出是屬于某種意圖場景。每個意圖都會有關(guān)心的槽值或參數(shù)，實體抽取主要是基于規(guī)則和序列標(biāo)注相組合的方式，如下圖。

規(guī)則方案適合相對有規(guī)律或封閉的集合，像地址、郵箱地址、商品鏈接等數(shù)據(jù)。對于一些開放集合，沒辦法用規(guī)則支持情況下，可采用序列標(biāo)注方式。情感分析也屬于語義理解范疇，如某個用戶情緒如何，是正向還是負(fù)面，是否發(fā)生變化。

對話管理

對話狀態(tài)管理本身是一個很復(fù)雜的工作，如果用戶并沒有完全遵循交互設(shè)計的流程進(jìn)行，會出現(xiàn)意圖偏移的情況。如下圖，為對話交互設(shè)計簡易流程。

當(dāng)用戶咨詢的問題存在歧義，當(dāng)理解意圖反饋后，用戶發(fā)起追問，超出事初預(yù)測的范疇，遇到這些情況該如何處理？這里就會應(yīng)用可配置的對話交互系統(tǒng)，智能地和終端用戶進(jìn)行交互。對話交互系統(tǒng)可以根據(jù)客戶描述語言定義的支持所需機(jī)器人的對話配置。

目前，對話交互設(shè)計系統(tǒng)可以做到設(shè)計和實現(xiàn)解耦。技術(shù)研發(fā)在完善對話交互系統(tǒng)的同時，導(dǎo)購/領(lǐng)域?qū)＜铱梢暂p松地配置定制化機(jī)器人。

推薦機(jī)器人

為什么需要個性化推薦？原因有二，其一對話交互有利于信息的獲取,不利于信息的展現(xiàn)，其二對話交互需要細(xì)粒度的個性化。在電商場景中，推薦機(jī)器人在實際交互過程中的使用占比非常大，有些店鋪接近20%的客服請求中含有商品鏈接或推薦需求。

相比傳統(tǒng)推薦系統(tǒng)而言，對話交互推薦系統(tǒng)可以結(jié)合更加豐富的信息，這些信息真實自然地存在對話場景中，就是顯式反饋，可以更多地考慮上下文，如：時間(早中晚／星期)、地點、情緒、環(huán)境（商家情況）等。智能導(dǎo)購中的推薦方式一般可分為四種，分別是熱門推薦、相關(guān)推薦、主動推薦和交互推薦等。

接下來我們主要介紹相對比較復(fù)雜的交互推薦方式，下圖為示例。

以推薦奶粉為例，傳統(tǒng)推薦是基于用戶畫像，從所有SKU中挑選出最有可能成交的商品進(jìn)行推薦。交互推薦是先推薦某一款，之后進(jìn)一步溝通，雙方信息得以交換。這樣一來，用戶了解商家信息的同時商家知曉了用戶喜好，減少信息不對稱，彌補(bǔ)雙方理解上的差異，進(jìn)而更好地服務(wù)這個用戶。針對這部分內(nèi)容，基于具體示例，詳盡闡述交互推薦的流程及建模，請戳（http://aix.51cto.com/activity/10015.html），進(jìn)行觀看。

實際研發(fā)過程中的總結(jié)與思考

對話機(jī)器人領(lǐng)域非常龐大，也有很多新技術(shù)在不斷發(fā)展，實際用對話技術(shù)解決業(yè)務(wù)問題的過程中，會碰到大大小小的問題，這里主要分享如下幾點：

第一，產(chǎn)品設(shè)計 vs 技術(shù)邊界。要注意權(quán)衡產(chǎn)品設(shè)計和技術(shù)邊界之間的關(guān)系，考慮在技術(shù)能夠解決問題的同時如何通過產(chǎn)品巧妙的設(shè)計、產(chǎn)品流程交互去降低對技術(shù)的要求，提升客戶體驗。

第二，全自動 vs 人機(jī)協(xié)同。對機(jī)器人來說，用戶總期望它的行為/能力與人媲美，現(xiàn)實中要做到完全全自動是很難，采用人機(jī)協(xié)同的方式才能夠給用戶更好的體驗。必須全自動的情況下，需要引入交互推薦方式，進(jìn)而使得人跟機(jī)器之間的交互更加順暢。

第三，用戶參與感 vs 配置易用性。客戶參與配置機(jī)器人，會有馴服機(jī)器人的成就感。但配置在易用性方面要多加斟酌，不要太繁瑣，免得客戶有畏懼心理。

第四，可控 vs 智能。在電商場景，實際商用對話系統(tǒng)可控和智能兼得，何時可控何時智能，需要做很多方面的權(quán)衡。如推薦交互策略可以基于強(qiáng)化學(xué)習(xí)越智能越好，但對于整個對話系統(tǒng)策略方面，模塊優(yōu)化，仲裁邏輯、交互流程等環(huán)節(jié)，需要通過配置或交互設(shè)計使得更加可控。

【51CTO原創(chuàng)稿件，合作站點轉(zhuǎn)載請注明原文作者和出處為51CTO.com】