TOP100summit分享實錄 | 「來也」胡一川：吾來對話機器人解決方案

本文內容節選自由msup主辦的第七屆TOP100summit，「來也」聯合創始人兼CTO胡一川分享的《吾來對話機器人解決方案》實錄。

分享者胡一川，「來也」聯合創始人兼CTO，本科和碩士畢業於清華大學，博士畢業於賓夕法尼亞大學，創立「來也」以前，曾聯合創立了影視推薦引擎」今晚看啥」並被百度收購，後加入百度任資深架構師。

編者按：2018年11月30日-12月3日，第七屆全球軟件案例研究峯會在北京國家會議中心盛大開幕，現場解讀2018年「壹佰案例榜單」。本文爲「來也」聯合創始人兼CTO胡一川老師分享的《吾來對話機器人解決方案》案例實錄。

今天在座的各位大部分是IT行業技術從業者，因此我會重點介紹對話式人工智能中的核心技術，並經過吾來對話機器人解決方案，讓你們瞭解咱們如何使用這些技術，去解決不一樣場景中人機對話的問題。

首先，簡單作一個自我介紹。我是胡一川，「來也」的聯合創始人和CTO。「來也」主要作智能對話的技術，爲企業和我的打造智能對話機器人。今天，我重點分享咱們面向企業的對話機器人解決方案「吾來」，它的核心價值在於將對話式的AI能力產品化，幫助企業解決在各類業務場景中打造對話機器人，提高效率。

適合對話機器人的三類場景

咱們將適合對話機器人落地的場景分爲三類。第一類是一些人機交互方式比較受限的場景，好比在車載、智能音箱、可穿戴設備等，在這些場景中天然對話是惟一的體驗較好的人機交互方式，所以對話機器人很是重要。第二類是生活中一些發生在人與人之間的簡單重複的交互場景，在這些場景中，咱們能夠用對話機器人替代人工，好比在線客服、呼叫中心等。第三類場景是將對話機器人和傳統圖形化交互界面相結合，這更可能是在一些營銷和推薦場景，經過增長天然對話的交互方式讓用戶的體驗變得更好，從而提高轉化率。

三種不一樣的對話類型

從技術的角度，咱們一般將對話分爲三種類型：問答型對話、任務型對話、閒聊。

問答型對話：用戶有一個問題，但願對話機器人進行交互尋求關於這個問題的答案。機器人的回覆來自於特定領域的知識庫，機器人的效果以回答準確率來評估。

任務型對話：用戶有一個意圖，但願對話機器人幫他完成一個任務。機器人經過多輪對話引導、澄清並知足用戶需求。在任務型對話中，機器人的效果以任務完成率來評估。

閒聊：像你們日常生活中的寒暄，例如，微軟小冰就屬於閒聊機器人。這種機器人是以相關性，趣味性做爲評估的指標。

接下來，我將分別介紹這些對話機器人背後用到的技術、算法和模型。

基於知識庫的問答型對話

下圖是基於知識庫的問答型對話。基於這個系統的問答機器人本質是在特定領域的知識庫中，找到和用戶提出的問題語義匹配的知識點。

在吾來對話機器人解決方案中，咱們針對不一樣的狀況選擇相應的問答型對話解決方案，包括：基於分類模型的問答系統、基於檢索和排序的問答系統、基於句向量的語義檢索系統。

基於分類模型的問答系統

第一種方案，基於分類模型的問答系統將每一個知識點各分一類，使用深度學習、機器學習等方法，效果較好。但須要較多的訓練數據，且更新類別時，從新訓練的成本較高，所以更適合數據足夠多的靜態知識庫。

基於檢索和排序的問答系統

第二種方案，基於檢索和排序的問答系統能實時追蹤知識點的增刪，從而有效彌補分類模型存在的問題。但仍然存在檢索召回問題，假如用戶輸入的關鍵詞沒有命中知識庫，系統就沒法找到合適的答案。

基於句向量的語義檢索

第三種方案，是基於句向量的語義檢索。經過句向量編碼器，將知識庫數據和用戶問題做爲語義向量輸出，基於句向量的語義檢索能實如今全量數據上的高效搜索，從而解決傳統檢索的召回問題。

這個架構最核心的模塊是句向量編碼器，它須要經過標註的句對數據來訓練，基本原理以下圖所示：

任務型對話系統的架構

任務機器人在特定條件下提供信息或服務，以知足用戶的特定需求，例如查流量、充話費、訂機票、訂餐、等等。因爲用戶需求複雜多樣，任務機器人通常經過多輪對話明確用戶的目的。

下圖是傳統的任務型對話的總體架構，分爲5個模塊，分別是：語音識別(ASR)、語義理解(NLU)、對話管理(DM)、語言生成(NLG)、語音合成(TTS)。

我今天重點爲你們講述NLU模塊和DM模塊相關的內容。以下圖所示，NLU模塊的輸入是用戶所說的天然語言，它的輸出是可被計算機處理的結構化信息，咱們稱爲用戶對話動做（User Dialog Act）。用戶對話動做又會做爲DM模塊的輸入。基於當前的對話狀態，以及當前的用戶對話動做，DM模塊肯定系統對話動做。系統對話動做肯定後，對話狀態也隨着發生變化。

接下來咱們來說一講關於DM的常見技術方案和模型：

第一種方案是基於有限狀態機（Finite State Machine）的對話管理，它把對話狀態都映射爲系統動做，狀態之間的跳轉以用戶當前的輸入做爲條件，而後經過有限狀態機映射到下一個狀態。這種方案只適合特定的對話類型，狀態太多時很難維護。

第二種方案是基於幀（Frame）的對話管理。幀的定義是槽位的集合，槽位表明的是用戶須要提供的信息。經過這種方式，對話狀態被簡化成了哪些槽位已經被填充，哪些槽位沒有被填充，而系統的動做選擇就是下一步應該填充哪個槽位。這種方案雖然簡單，但也有不少侷限性，只適合較爲簡單的任務型對話場景。

第三種方案是基於計劃（Agenda）的對話管理。這種方案是對Frame的改進，把它從一個沒有邏輯關係的平級槽位變成一個樹狀的結構。這種樹狀的結構裏面是有層次的，並且樹狀結構是能夠動態調整的。

第四種方案是基於深度強化學習的對話狀態跟蹤，經過神經網絡將對話上文映射到系統動做，無需顯示定義對話狀態。這是基於機器學習的方法，須要有大量真實的、標註的對話數據，因此不太適合冷啓動。

針對不一樣場景，咱們有什麼解決方案？

場景一：智能客服

在客服場景下，對話機器人有兩個用途：

一、經過對話機器人7×24實時的知足用戶關於業務諮詢、業務辦理等方面的需求，提高用戶的體驗。

二、對話機器人可以提供人機協做的模式，做爲人工客服的助手來減輕客服的負擔，提高客服的工做效率。同時它還能完成智能質檢工做，保障服務質量。

基於吾來對話機器人解決方案，咱們爲中國移動10086App打造了在線智能客服及個性化推薦服務。該對話機器人可爲用戶提供充流量、充話費等服務，既提升了服務效率也提高了用戶體驗。

場景二：智能下單

在圖形化的用戶下單的操做界面中，若是加入對話機器人，能提升用戶的操做效率，實現「一句話下單」，並給用戶更爲個性化的體驗。對話機器人可以識別多種的表達方式，利用天然語言主動交互與多輪對話控制，引導用戶下單，從而提高訂單的轉化率，同時提高用戶的滿意度。

基於吾來對話機器人解決方案，咱們爲麥當勞打造了智能對話點餐機器人。該機器人支持對話流中的餐品查詢，經過主動澄清的方式逐步引導用戶下單，成爲圖形化交互界面的有益補充。

場景三：智能營銷

在線營銷的場景下，對話機器人經過檢測訪客行爲，能主動發起關懷，提升用戶激活率；同時，對話機器人還能提供全天候服務，捕獲高質量銷售線索，提升營銷轉化效率。

基於吾來對話機器人解決方案，咱們爲學旅家打造了銷售線索生成機器人。該機器人可逐步引導用戶提供基本信息及偏好，生成高質量線索表單，方便銷售人員進行更有針對性的線索轉化。

總結

在將來，愈來愈多的企業/我的會把對話機器人用於工做和生活中。一個對話機器人可否成功落地，在我看來主要有兩點：一是對話機器人有清晰的領域邊界，即對話機器人能幹什麼，不能幹什麼，須要事先想清楚；二是收集足夠多的領域數據，這樣才能訓練出的一個具備語義理解、多輪對話能力的對話機器人，知足用戶的需求。

以上內容來自胡一川老師的分享。

聲明：本文是由壹佰案例原創，轉載請聯繫 meixu.feng@msup.com.cn