【51CTO.com快譯】不知您是否已注意到：人工智能已經(jīng)不再是少數(shù)科技公司的初級原型產(chǎn)品了。在許多服務(wù)類行業(yè)中，帶有人工智能的聊天機(jī)器人(Chatbot)正在逐步取代人工客服，提供及時、周到、互動的服務(wù)。通過機(jī)器學(xué)習(xí)的相關(guān)技術(shù)，各類企業(yè)已將聊天機(jī)器人視為，最受歡迎的客戶服務(wù)和業(yè)務(wù)流程的自動化工具之一。本文將向您簡單介紹聊天機(jī)器人的基本架構(gòu)模型和響應(yīng)機(jī)制。

聊天機(jī)器人的不同架構(gòu)類型

聊天機(jī)器人的架構(gòu)模型通常是根據(jù)開發(fā)的核心目標(biāo)所決定的。在普遍應(yīng)用中，我們可以采用兩種類型的響應(yīng)方式，它們分別是：

• 按照機(jī)器學(xué)習(xí)模型從頭開始生成響應(yīng)。
• 使用啟發(fā)式方法從預(yù)定義的響應(yīng)庫中選擇適當(dāng)?shù)捻憫?yīng)。

生成模型(Generative Models)

如下圖所示(下文中出現(xiàn)的圖像均源自pavel.surmenok)，此類模型可用于通過原生的方式，開發(fā)出相當(dāng)?shù)母呒壷悄芑瘷C(jī)器人。不過，由于它在實(shí)現(xiàn)中需要復(fù)雜的算法，因此這種聊天機(jī)器人在實(shí)際高并發(fā)量的場景中很少被使用到。

同時，其生成的模型比較難以構(gòu)建和開發(fā)。為了培訓(xùn)此類機(jī)器人，開發(fā)人員需要花費(fèi)大量的時間和精力，包括提供數(shù)百萬種示例。雖然我們可以讓深度學(xué)習(xí)的相關(guān)模型參與到對話的應(yīng)用場景中，但是仍然無法確保此類模型能夠生成正確的響應(yīng)結(jié)果。

基于檢索的模型(Retrieval-Based Models)

如下圖所示，此類聊天機(jī)器人架構(gòu)模型相對于上述生成模型更易于構(gòu)建，也更加可靠。雖然無法實(shí)現(xiàn)100%的準(zhǔn)確響應(yīng)，但是您可以通過它來獲悉可能的響應(yīng)類型，并確保聊天機(jī)器人不會傳遞出不適當(dāng)、或不正確的響應(yīng)。

目前，基于檢索的模型正在被廣泛地使用在各種場景中。開發(fā)人員可以很容易地使用多種算法和API，在此類架構(gòu)模型的基礎(chǔ)上構(gòu)建出自動化的聊天應(yīng)用。通過充分地考慮消息和會話的上下文，此類模型能夠從預(yù)定義的消息列表中提供最佳的響應(yīng)結(jié)果。

聊天機(jī)器人的響應(yīng)生成機(jī)制

下面讓我們一起討論聊天機(jī)器人是如何通過兩種不同的方式，來理解用戶的消息，以及獲取消息的意圖。

基于模型的啟發(fā)式(Pattern-Based Heuristics)

通常，我們可以通過兩種不同的方式來生成一個響應(yīng)：

• 使用if-else的條件邏輯
• 使用機(jī)器學(xué)習(xí)分類器

其中，最簡單的方法是：使用預(yù)定義的模型來定義一組規(guī)則。這些規(guī)則可以充當(dāng)框架規(guī)則(framed rules)的條件。

如下面的代碼段所示，為了編寫出不同的模型和響應(yīng)，人工智能標(biāo)記語言(Artificial Intelligence Markup Language，AIML)被普遍地運(yùn)用在聊天機(jī)器人的開發(fā)過程中。

借助自然語言的處理管道和預(yù)定義的豐富模型，AIML可以被用來構(gòu)建出智能的聊天機(jī)器人。它們不但可以解析用戶消息，還能夠查找同義詞和概念，標(biāo)記出語音部分，并找出與用戶查詢相匹配的各種規(guī)則。當(dāng)然，除非提前進(jìn)行了特殊編程，否則這些機(jī)器人是無法自動調(diào)用機(jī)器學(xué)習(xí)算法、或任何其他API的。

使用機(jī)器學(xué)習(xí)進(jìn)行意圖分類

盡管基于模型的啟發(fā)式方法可以提供良好的結(jié)果，但問題在于：它需要開發(fā)人員手動對所有的模型進(jìn)行事先編程。而這恰好是一項(xiàng)非常繁瑣的任務(wù)，尤其是在要求聊天機(jī)器人能夠區(qū)分?jǐn)?shù)百種針對不同場景的請求意圖時。

通常情況下，我們可以通過為聊天機(jī)器人準(zhǔn)備數(shù)千個可能面對的案例集合，來培訓(xùn)它們，進(jìn)而挑選出合適的數(shù)據(jù)模型，以供應(yīng)用反復(fù)進(jìn)行學(xué)習(xí)?？梢哉f，只有通過持續(xù)訓(xùn)練聊天機(jī)器人的應(yīng)變能力，我們才能實(shí)現(xiàn)對不同請求意圖的分類。

值得一提的是，scikit-learn是一個非常流行的機(jī)器學(xué)習(xí)庫，它可以協(xié)助執(zhí)行各種機(jī)器學(xué)習(xí)的相關(guān)算法。開發(fā)人員甚至可以選擇使用諸如：api.ai、wit.ai和Microsoft LUIS等任何一種云端API。其中，作為第一個用于聊天機(jī)器人的機(jī)器學(xué)習(xí)類API，wit.ai最近已被Facebook收購了。

響應(yīng)生成

一旦聊天機(jī)器人理解了用戶的消息意圖，下一步就需要生成響應(yīng)了。通常有兩種響應(yīng)方法：

• 生成簡單的靜態(tài)響應(yīng)。
• 獲取基于意圖的模板，并放入各種對應(yīng)的變量。

開發(fā)人員可以根據(jù)實(shí)際需求和目的，選擇生成響應(yīng)的方法。例如：天氣預(yù)報類聊天機(jī)器人可以使用API​​獲取給定地理位置的天氣信息，然后回復(fù)查詢請求：“今天很可能下雨”，“今天是雨天”或者“下雨的概率為80%，請帶好雨傘。”

當(dāng)然，響應(yīng)的類型(請參見：https://www.hiddenbrains.com/blog/4-ux-elements-for-engaging-and-interactive-chatbots.html)也可以根據(jù)具體用戶的特征而有所不同。也就是說，聊天機(jī)器人可以研究和分析過往的聊天記錄、及其相關(guān)參數(shù)，為用戶量身定制響應(yīng)語言。下圖展示了單獨(dú)的簡單響應(yīng)生成，與響應(yīng)選擇模塊的不同：

在實(shí)際項(xiàng)目中，您既可以從零開始開發(fā)構(gòu)建聊天機(jī)器人，以全面滿足用戶的專業(yè)化場景需求;也可以從值得信賴的大公司那里購買現(xiàn)成的聊天機(jī)器人服務(wù)，畢竟他們能夠提供更加豐富的場景和運(yùn)營經(jīng)驗(yàn)。

原文標(biāo)題：Understanding Architecture Models of Chatbot and Response Generation Mechanisms，作者：Albert Smith

【51CTO譯稿，合作站點(diǎn)轉(zhuǎn)載請注明原文譯者和出處為51CTO.com】