本文轉(zhuǎn)載自微信公眾號「活在信息時代」，作者活在信息時代。轉(zhuǎn)載本文請聯(lián)系活在信息時代公眾號。

大家在使用很多APP的時候，一定對于智能機(jī)器人客服系統(tǒng)都有所了解?？头C(jī)器人就像真人客服一樣，可以與人進(jìn)行簡單的對話，并針對人們的需求給出相應(yīng)的回答。雖然大部分時間得到的答案并不怎么靠譜吧，但是總的還是比較節(jié)省人工的。

近期火熱的聊天機(jī)器人ChatGPT本質(zhì)上也是一個客服機(jī)器人，只不過它背后依據(jù)的算法更精細(xì)，預(yù)訓(xùn)練的數(shù)據(jù)量也更大。

下面我們就一起來看看客服機(jī)器人背后的技術(shù)：對話推薦系統(tǒng)。

一、對話推薦系統(tǒng)概述

用戶使用對話推薦系統(tǒng)的過程，本質(zhì)上是一個經(jīng)過多輪信息互動，最終協(xié)助用戶進(jìn)行決策的過程。

對話推薦系統(tǒng)（Conversational Recommendation System，CRS）通過豐富的交互行為，打破了靜態(tài)推薦系統(tǒng)中系統(tǒng)與用戶之間信息不對稱的壁壘，允許推薦系統(tǒng)在與用戶的交互對話中，動態(tài)捕捉用戶偏好。一方向通過探索用戶當(dāng)前的興趣偏好，引導(dǎo)用戶發(fā)現(xiàn)自己新的興趣點(diǎn)。另一方面，在交互過程中，實(shí)時接受用戶的反饋，更新推薦模型的策略，實(shí)現(xiàn)動態(tài)學(xué)習(xí)與更新。這是一種以推薦為目標(biāo)導(dǎo)向的對話系統(tǒng)，通過與用戶的在線對話達(dá)到捕捉用戶興趣從而推薦用戶所需要的答案或者商品的目的。

一般的對話系統(tǒng)通常分為兩類：任務(wù)導(dǎo)向型和非任務(wù)導(dǎo)向型。后者即是人們通常所說的聊天機(jī)器人。而任務(wù)導(dǎo)向的對話系統(tǒng)旨在幫助用戶完成具體的任務(wù)，例如幫助用戶找尋所需要的商品、預(yù)訂酒店餐廳等。面向推薦任務(wù)的任務(wù)導(dǎo)向型對話系統(tǒng)，通?？梢钥醋魇且宰匀徽Z言文字、語音為交互形式的對話推薦系統(tǒng)。在推薦任務(wù)中，具有較高的商業(yè)價值。

二、對話推薦任務(wù)的特點(diǎn)

從對話推薦系統(tǒng)的應(yīng)用上來看，具有兩個典型的特點(diǎn)：多輪交互和目標(biāo)導(dǎo)向。

1、多輪交互

傳統(tǒng)的系統(tǒng)中，例如在淘寶搜索商品的時候，用戶尋找具有特定屬性的商品時，會通過主動搜索來進(jìn)行。例如，可以搜索“春季的男士外套”，在這個場景中，用戶自己構(gòu)造查詢，推薦效果不僅依賴于搜索引擎，更多是依賴用戶自己的專業(yè)知識來構(gòu)造合適的查詢關(guān)鍵詞。這種傳統(tǒng)的推薦系統(tǒng)需要用戶根據(jù)自己的先驗(yàn)知識輸入可能的屬性選項(xiàng)，才能準(zhǔn)確定位到合適的商品。但是在很多場景中，用戶并不具有這樣的先驗(yàn)知識。這種情況下，用戶期望系統(tǒng)能夠主動向用戶介紹他們可能喜歡的潛在物品。

而對話推薦系統(tǒng)中的多輪交互特點(diǎn)可以彌補(bǔ)傳統(tǒng)推薦系統(tǒng)中用戶主動搜索的不足。在系統(tǒng)與用戶的實(shí)時互動中，可以通過主動向用戶提問的方式，向用戶展示用戶未知的物品屬性空間，并利用用戶的反饋信息，直接了解用戶對某些屬性的需求和態(tài)度，構(gòu)建用戶興趣畫像，從而做出正確的推薦。

2、目標(biāo)導(dǎo)向

對話推薦系統(tǒng)要實(shí)現(xiàn)的目標(biāo)任務(wù)是給用戶推薦用戶感興趣的商品，因此以實(shí)現(xiàn)成功推薦為最終目標(biāo)，進(jìn)行獲取用戶偏好信息的交互，CRS與傳統(tǒng)推薦系統(tǒng)有同樣的“推薦”目標(biāo)，但是二者在系統(tǒng)的運(yùn)作與實(shí)現(xiàn)上完全不同。傳統(tǒng)的推薦系統(tǒng)可以看作是系統(tǒng)單方面向用戶輸出推薦物品。而CRS則注重實(shí)用的實(shí)時反饋，不斷主動試探用戶興趣點(diǎn)，并更新后續(xù)的推薦策略。

三、對話推薦系統(tǒng)的基本功能模塊

一個標(biāo)準(zhǔn)的對話推薦系統(tǒng)由三個功能模塊組成：用戶意圖理解模塊、對話策略模塊和推薦模塊。

1、用戶意圖理解模塊

用戶意圖理解模塊是與用戶直接交換信息的模塊，其輸入早年主要是對話文本，而隨著技術(shù)的發(fā)展，多模態(tài)數(shù)據(jù)和用戶行為數(shù)據(jù)也越來越成為對話推薦系統(tǒng)主要的輸入數(shù)據(jù)來源。

2、對話策略模塊

對于推薦系統(tǒng)而言，能夠基于的正反饋數(shù)據(jù)是非常少的，這就造成了系統(tǒng)與用戶之間的信息并不匹配，而一次失敗的探索將浪費(fèi)用戶的時間，傷害用戶的偏好，進(jìn)行造成用戶的流失。因此，追求探索和收益的平衡是對話推薦系統(tǒng)中的一個關(guān)鍵問題。對話策略模塊的主要任務(wù)就是解決這一問題。

在多輪交互過程中，這一問題表現(xiàn)為系統(tǒng)在交互過程中需要確定當(dāng)前是否要繼續(xù)詢問用戶，還是基于已經(jīng)獲取到的信息來實(shí)現(xiàn)推薦商品，從而增加用戶選擇商品的概率。這是一個典型的博弈問題。過多的詢問可能造成用戶的厭惡，而過少的詢問又會造成用戶偏好信息的缺失。因此，好的對話策略需要智能地平衡對話輪次與推薦準(zhǔn)確率兩個指標(biāo)。

3、推薦模塊

推薦模塊是對話推薦系統(tǒng)中實(shí)現(xiàn)推薦功能的模塊，根據(jù)已經(jīng)捕捉到的用戶信息，推薦用戶當(dāng)前最感興趣的目標(biāo)物品。在大部分的CRS中，推薦模塊都采用簡單的推薦模型，例如矩陣分解，這是因?yàn)楹唵蔚耐扑]模型已經(jīng)能夠滿足對話推薦系統(tǒng)的推薦需求，使用過于復(fù)雜的推薦模型，反而會使系統(tǒng)整體復(fù)雜度上升，使對話推薦系統(tǒng)的訓(xùn)練變得困難。