深度学习：智能对话机器人适用场景与技术解析

最早期人工智能的提出是在1905的“图灵测试”，之后陆续有关于聊天机器人的尝试，1966年的ELIZA就是其中之一，它采用一种非常简单的关键字匹配模式，再往后到1995年出现了更强一些的ALICE。

从2011、2012年开始国外的众多公司都陆续尝试人工智能方面的研究，Siri、Google Now都是这时诞生的。2015年人工智能进入爆发式增长时期，微软、亚马逊相继涉及这一领域，2016年则是人工智能最火的一年，这一年被称为Bot元年。

目前虽然是聊天机器人的早期阶段，但是整个产业已经相当完善，语音处理、文字处理、个人助理这些人工智能领域都有公司在涉及。

个人信息助理，帮助用户管理日程、会议安排、辅助写作。

客服/导购机器人，用户通过与聊天机器人沟通获取需要了解的信息。

泛娱乐/教育聊天机器人，实现陪伴老人，教育小孩之类的功能。

爱因互动无论是内部还是外部都有很多的聊天机器人产品，为此我们在算法层面上推出了DeepBot对话框架，它实现了针对不同情况使用不同机器人响应，并且每个机器人都采用不同的对应模型的功能。

当机器人接收到问题后会进行分析，分析涉及面包括恶意检测、实体识别、问题分类等等。分析完成后将会通过Route Bot决定是由哪个机器人回答。接下来有一个BotLets，每一个BotLets都有自身能处理的部分，无法处理的部分将会交由其他机器人。当这些机器人处理完问题后，将融合技术判断机器人的回答质量，并决定使用哪个机器人的回答。

实体识别是用来抽取用户问题中的关键部分，它从早期的序列标注开始，后续又经历了HMM/CRF、LSTM、BiLSTM-CRF这样的发展，可以说是留存相当久的技术了。

Route-Bot比较核心的两个部分是领域以及意图检测。在单轮识别模型中，采用RNN/CNN的方式将语句表达成向量，然后使用DNN进行分类。多轮识别相对比较复杂，不仅要识别用户当前说的话，还要分析当前语言环境。对此我们有一个专用的多轮识别引擎，它的基础模块还是RNN/CNN，用来处理单个语句表达，而上面则多了一层RNN进行信息的汇总。

FAQ中涉及的主要技术是搜索和检索，通常的逻辑是分析问题，然后通过检索模块挑选出候选模块，最后使用匹配模块将候选部分进行排序。

和常规的FAQ不同，我们在FAQ中添加了语义匹配功能，并且可以在问题中带背景，答复中带参数。

Task-Bot会获取用户与系统的交互中所产生的多种信息，并基于这些信息判断下次系统给出什么样的回应。它的典型系统框架是SLU -> DST -> DPO -> NLG， SLU负责将用户语言翻译成结构化信息，DST追踪用户历史对话信息，DPO根据DST的结果获取当前对话状态，并以此给出答复，NLG将DPO输出的结构化信息转化为自然语言。

相比通过GUI进行推荐，采用对话的方式会更有优势，因为这种方式可以让用户去实时修改信息。推荐主要涉及到企业、产品、用户三个方面。我们通过语音机器人所做的推荐，包含线下、近实时、实时三个模块。线下按天进行更新，近实时就是及时的对用户的行为进行反馈。

推荐中最重要的数据是用户与系统的交互数据，协同过滤里用的最多的是用户与产品的交互，再进一步是用户、需求、产品之间的交互，另外还有用户与用户的交互。

本质上来说推荐模型都是用来表征用户和表征产品。表征用户是利用表示学习获取用户相关的各种特征，再把这些表示结果用于预测用户的短期需求和长期需求。每个产品包含的服务及价格等基本信息，可以刻画此产品；而用户对产品的购买等行为数据，也可以隐性刻画此产品，这就是表征产品。

目前的推荐系统中采用的最多的是融合，它兴起于Netflix Prize竞赛。常用的组合方式有预测值组合，组合多个算法的预测值；特征扩充，一个算法的输出作为另一个算法的输入特征；切换，不同算法间相互切换。

推荐除开要求准确的之外还有其他的指标，比如覆盖面、多样性、新颖性、惊奇性等。

Chitchat-Bot使用了检索加生成式的技术结合，检索可以保证可靠性，允许用户添加qa对，秒级生效。生成式则保证100%召回，可以回答任何问题，降低知识库维护门槛。

为了解决Chitchat-Bot的一些常见问题，我们在Chitchat-Bot中使用了CoverAge机制保证生成式语句不重复，还使用了copy机制保证稀有词的产生，并且采用MMI提升生成结果的多样性。

从效率上来看GUI更适合去做广度的信息展示，CUI则适合深度信息展示。从感受上来说GUI的空间感更强，CUI的时间感更突出。基于以上两点我们认为CUI去做推荐或者个性化的需求更加合适。

需要注意的是CUI本身并不会带来直接的价值，而是通过作为用户交互的入口这一媒介实现间接的价值。

- 用户价值：能通过对话高效解决问题

- 稀缺性：成为细分领域的关键业务环节

- 技术成熟度：选择合适的技术

- 清晰的知识结构和边界

- 非标准化服务，信息不对称

- 能够通过数据积累提升服务质量

- 能够建立知识和技术壁垒