分享者胡一川，「来也」联合创始人兼CTO，本科和硕士毕业于清华大学，博士毕业于宾夕法尼亚大学，创立「来也」之前，曾联合创立了影视推荐引擎”今晚看啥”并被百度收购，后加入百度任资深架构师。
编者按：2018年11月30日-12月3日，第七届全球软件案例研究峰会在北京国家会议中心盛大开幕，现场解读2018年「壹佰案例榜单」。本文为「来也」联合创始人兼CTO胡一川老师分享的《吾来对话机器人解决方案》案例实录。
今天在座的各位大部分是IT行业技术从业者，所以我会重点介绍对话式人工智能中的核心技术，并通过吾来对话机器人解决方案，让大家了解我们如何使用这些技术，去解决不同场景中人机对话的问题。
首先，简单做一个自我介绍。我是胡一川，「来也」的联合创始人和CTO。「来也」主要做智能对话的技术，为企业和个人打造智能对话机器人。今天，我重点分享我们面向企业的对话机器人解决方案“吾来”，它的核心价值在于将对话式的AI能力产品化，帮助企业解决在各种业务场景中打造对话机器人，提升效率。
适合对话机器人的三类场景
我们将适合对话机器人落地的场景分为三类。第一类是一些人机交互方式比较受限的场景，比如在车载、智能音箱、可穿戴设备等，在这些场景中自然对话是唯一的体验较好的人机交互方式，因此对话机器人非常重要。第二类是生活中一些发生在人与人之间的简单重复的交互场景，在这些场景中，我们可以用对话机器人替代人工，比如在线客服、呼叫中心等。第三类场景是将对话机器人和传统图形化交互界面相结合，这更多是在一些营销和推荐场景，通过增加自然对话的交互方式让用户的体验变得更好，从而提升转化率。
三种不同的对话类型
从技术的角度，我们通常将对话分为三种类型：问答型对话、任务型对话、闲聊。
问答型对话：用户有一个问题，希望对话机器人进行交互寻求关于这个问题的答案。机器人的回复来自于特定领域的知识库，机器人的效果以回答准确率来评估。
任务型对话：用户有一个意图，希望对话机器人帮他完成一个任务。机器人通过多轮对话引导、澄清并满足用户需求。在任务型对话中，机器人的效果以任务完成率来评估。
闲聊：像大家平常生活中的寒暄，例如，微软小冰就属于闲聊机器人。这种机器人是以相关性，趣味性作为评估的指标。
接下来，我将分别介绍这些对话机器人背后用到的技术、算法和模型。
基于知识库的问答型对话
下图是基于知识库的问答型对话。基于这个系统的问答机器人本质是在特定领域的知识库中，找到和用户提出的问题语义匹配的知识点。
在吾来对话机器人解决方案中，我们针对不同的情况选择相应的问答型对话解决方案，包括：基于分类模型的问答系统、基于检索和排序的问答系统、基于句向量的语义检索系统。
基于分类模型的问答系统
第一种方案，基于分类模型的问答系统将每个知识点各分一类，使用深度学习、机器学习等方法，效果较好。但需要较多的训练数据，且更新类别时，重新训练的成本较高，因此更适合数据足够多的静态知识库。
基于检索和排序的问答系统
第二种方案，基于检索和排序的问答系统能实时追踪知识点的增删，从而有效弥补分类模型存在的问题。但仍然存在检索召回问题，假如用户输入的关键词没有命中知识库，系统就无法找到合适的答案。
基于句向量的语义检索
第三种方案，是基于句向量的语义检索。通过句向量编码器，将知识库数据和用户问题作为语义向量输出，基于句向量的语义检索能实现在全量数据上的高效搜索，从而解决传统检索的召回问题。
这个架构最核心的模块是句向量编码器，它需要通过标注的句对数据来训练，基本原理如下图所示：
任务型对话系统的架构
任务机器人在特定条件下提供信息或服务，以满足用户的特定需求，例如查流量、充话费、订机票、订餐、等等。由于用户需求复杂多样，任务机器人一般通过多轮对话明确用户的目的。
下图是传统的任务型对话的整体架构，分为5个模块，分别是：语音识别(ASR)、语义理解(NLU)、对话管理(DM)、语言生成(NLG)、语音合成(TTS)。
我今天重点为大家讲述NLU模块和DM模块相关的内容。如下图所示，NLU模块的输入是用户所说的自然语言，它的输出是可被计算机处理的结构化信息，我们称为用户对话动作（User Dialog Act）。用户对话动作又会作为DM模块的输入。基于当前的对话状态，以及当前的用户对话动作，DM模块确定系统对话动作。系统对话动作确定后，对话状态也随着发生变化。
接下来我们来讲一讲关于DM的常见技术方案和模型：
第一种方案是基于有限状态机（Finite State Machine）的对话管理，它把对话状态都映射为系统动作，状态之间的跳转以用户当前的输入作为条件，然后通过有限状态机映射到下一个状态。这种方案只适合特定的对话类型，状态太多时很难维护。
第二种方案是基于帧（Frame）的对话管理。帧的定义是槽位的集合，槽位代表的是用户需要提供的信息。通过这种方式，对话状态被简化成了哪些槽位已经被填充，哪些槽位没有被填充，而系统的动作选择就是下一步应该填充哪一个槽位。这种方案虽然简单，但也有很多局限性，只适合较为简单的任务型对话场景。
第三种方案是基于计划（Agenda）的对话管理。这种方案是对Frame的改进，把它从一个没有逻辑关系的平级槽位变成一个树状的结构。这种树状的结构里面是有层次的，而且树状结构是可以动态调整的。
第四种方案是基于深度强化学习的对话状态跟踪，通过神经网络将对话上文映射到系统动作，无需显示定义对话状态。这是基于机器学习的方法，需要有大量真实的、标注的对话数据，所以不太适合冷启动。
针对不同场景，我们有什么解决方案？
场景一：智能客服
在客服场景下，对话机器人有两个用途：
1、通过对话机器人7×24实时的满足用户关于业务咨询、业务办理等方面的需求，提升用户的体验。
2、对话机器人能够提供人机协作的模式，作为人工客服的助手来减轻客服的负担，提升客服的工作效率。同时它还能完成智能质检工作，保障服务质量。
基于吾来对话机器人解决方案，我们为中国移动10086App打造了在线智能客服及个性化推荐服务。该对话机器人可为用户提供充流量、充话费等服务，既提高了服务效率也提升了用户体验。
场景二：智能下单
在图形化的用户下单的操作界面中，如果加入对话机器人，能提高用户的操作效率，实现“一句话下单”，并给用户更为个性化的体验。对话机器人能够识别多种的表达方式，利用自然语言主动交互与多轮对话控制，引导用户下单，从而提升订单的转化率，同时提升用户的满意度。
基于吾来对话机器人解决方案，我们为麦当劳打造了智能对话点餐机器人。该机器人支持对话流中的餐品查询，通过主动澄清的方式逐步引导用户下单，成为图形化交互界面的有益补充。
场景三：智能营销
在线营销的场景下，对话机器人通过检测访客行为，能主动发起关怀，提高用户激活率；同时，对话机器人还能提供全天候服务，捕获高质量销售线索，提高营销转化效率。
基于吾来对话机器人解决方案，我们为学旅家打造了销售线索生成机器人。该机器人可逐步引导用户提供基本信息及偏好，生成高质量线索表单，方便销售人员进行更有针对性的线索转化。
总结
在未来，越来越多的企业/个人会把对话机器人用于工作和生活中。一个对话机器人能否成功落地，在我看来主要有两点：一是对话机器人有清晰的领域边界，即对话机器人能干什么，不能干什么，需要事先想清楚；二是收集足够多的领域数据，这样才能训练出的一个具有语义理解、多轮对话能力的对话机器人，满足用户的需求。
以上内容来自胡一川老师的分享。
声明：本文是由壹佰案例原创，转载请联系 meixu.feng@msup.com.cn