本篇文章給大家談談電話機器人產品架構，以及電話機器人技術對應的知識點，希望對各位有所幫助，不要忘了收藏本站喔。

本文目錄一覽：

南京硅基智能電話機器人的優(yōu)勢有很多的，我給你簡單說幾個：

1、基于自然語言理解、 支持打斷：通過大數據分析，建立智能決策反饋系統，訓練適配業(yè)務場景的語言模型。

2、人工轉接：通過語義識別和處理功能可對客戶的意向進行實時跟蹤，自動轉接人工跟進，降低客戶流失的概率。

3、定制化：產品采用模塊化軟件架構，能快速構建適配不同業(yè)務場景需求的定制模塊。

有這些功能！！

1.智能學習：機器學習、融合網絡神經算法，自然語言分析，不斷完善話術，提高銷售質量。

2.智能分析：全程監(jiān)控機器對話，實時分析用戶性別、年齡、購買意向。

3.模擬真人電銷通話：通過AI語言學習機制，模擬真人聲音進行電話銷售，平均響應時間0.8秒，能以最快的速度對客戶的語言進行處理和回復。

4.智能人工對接：對客戶的意向進行實時跟蹤，一旦客戶表明興趣能在第一時間轉接人工跟進，極大降低客戶流失率，提高成單量。

5.支持打斷：強大的語言反饋功能，確保對話中客戶提出疑問時給予及時應答，保證對話正常進行。

6.機器人自動撥打電話：將大量的客戶資料交給機器人，實現機器人自動連續(xù)撥打電話，避免人工撥打時由于情緒變化影響服務滿意度。

電銷機器人功能有哪些呢？

1.模擬電銷精英的真實銷售：智能電話機器人模擬真實高級銷售的話術流程，使用真實錄音進行電銷，平均響應時間為0.8秒，快速處理和響應客戶的問答。

2.后臺智能分析：全程監(jiān)控電話機器人與客戶之間的對話，實時記錄用戶的性別、年齡等信息，分析購買意向和需求。

3.話術升級：融合網絡神經算法、自然語義分析、記錄客戶需求和痛點等。通過不斷改進話術，提高電銷質量，加強線索轉換。

4. 一鍵人機切換：對客戶的意向進行實時跟蹤及反饋，一旦客戶表明有興趣或提出更棘手的問題，可一鍵轉接給人工坐席來跟進，極大程度地降低客戶流失率，提高成單量。

5. 支持打斷：強大的語言反饋功能，能夠確保對話中客戶提出疑問時給予及時應答，保證對話正常進行。

6. 支持多問多答：回答問題不會“驢唇不對馬嘴”，多個問題，多個回答，邏輯思路清晰，播報問題簡單易懂。

7. 自動外呼：機器人可按照外呼計劃完成任務，避免人工撥打時不可控因素，造成情緒變化影響服務滿意度。

隨著人工智能的飛速發(fā)展以及廣泛落地應用電話機器人產品架構，越來越多的設備將會被植入智能問答技術，人機交互場景隨處可見，智能問答在未來將會成為一個非常重要的入口。

騰訊小知憑借著業(yè)界領先的智能AI引擎算法和海量大數據倉庫，已將智能問答技術落地實施，并且經過大量的業(yè)務考驗和優(yōu)化，知識點匹配度和準確率都已達到90%以上，在2018 年 GITC 全球互聯網技術大會上，騰訊小知榮獲年度互聯網最具價值產品獎。

騰訊小知算法負責人陳松堅也在會場發(fā)表了關于智能問答技術原理及其在To B場景下的應用的專題演講，從自己的角度為電話機器人產品架構我們展現智能問答技術的最新成果。

他首先從智能問答是什么，為什么和怎么做的三個問題出發(fā)，闡明了他對當前智能問答技術的定位和價值，首先，現階段的智能問答是信息檢索技術的升級，是量變而未達到質變。但是無論在To B還是To C的場景下，當前的技術都能夠切實解決一些用戶的痛點，提升用戶體驗，是亟待推進和充滿想象的方向。

在回答怎么做這個問題時，他詳細介紹了幾種不同的問答機器人的實現路徑，包括單輪問答機器人，多輪問答機器人及閱讀理解機器人。其中重點闡述了單輪問答機器人的實現原理，包括字面匹配，詞向量匹配，深度語義匹配，遷移學習等技術。

此后他還分享了小知團隊將上述技術產品化的經驗，包括智能客服機器人和電話機器人兩大塊，主要分享了當前產品的形態(tài)，亮點和實際項目中取得的一些成果。

最后，他簡單總結了小知目前完成的工作以及就智能問答的發(fā)展提出了自己的幾點看法。

--------------------------------------------------------------

以下是演講稿全文：

各位下午好，很高興今天能在這里給大家做分享報告。先介紹一下，我們騰訊小知是致力于為政府和各行業(yè)提供一攬子智能問答解決方案的團隊，目前已經落地的包括基于文本的智能客服機器人和基于語音的電話機器人等。

在大多數人的認知里，智能問答很可能是以上的3個印象，2011年打敗了人類取得問答競賽冠軍的waston;2017年被沙特授予公民身份的機器人sofia;更為大家熟知的鋼鐵俠中的機器人管家jarvis。在大家心目中，智能就意味著能夠像真人一樣交流。然而作為從業(yè)者，很遺憾地告訴大家，目前的技術還遠沒有達到這個目標，我認為本質上目前的智能問答技術是對信息檢索技術的一次升級，是量變而未到質變。這個皇冠上的明珠還等待我們去摘取。

既然問答技術還不成熟，那為什么還要投身到這個領域呢。我想從To B和To C兩個角度去回答。對企業(yè)來講，當前的問答技術雖然無法解答復雜的咨詢，但是大部分的簡單的頭部問題是可以比較好的解答的。從本輪AI大潮NLP賽道的幾名種子選手都從智能客服這個方向切入就可以看出企業(yè)是確實存在對智能問答的剛性需求。而對普通用戶來講，一方面siri等語音助手每天都在為用戶提供便捷的交互界面，另一方面像amazon echo這一類的智能家居產品也逐步進入千家萬戶，成為物聯網生態(tài)的中心入口之一，這便是智能問答的價值所在。

那如何實現智能問答機器人呢?我們先來看最基本的單輪問答機器人的實現原理。

熟悉搜索引擎的朋友會發(fā)現這個架構跟搜索引擎的很類似。單輪問答一般來說就是FAQ問答，是基于業(yè)務問答對組成的問答庫進行檢索匹配。其中FAQ問題集包含多個相似問法供用戶問題去匹配。預處理階段一般會進行文本糾錯，標準化和底層NLP特征提取;召回階段會在倒排索引中召回若干個候選問題(粗排)，而最后的匹配階段會基于各種模型進行匹配打分并返回得分最高的結果(精排)。匹配階段還會引入其他模塊，如知識圖譜和拒識模型，目的是輔助提升匹配的最終準確率。

retrieval中的匹配可以看做是naive solution，詞袋+VSM, 篩選候選夠用了，但是精排需要更精致的策略，第一，要利用監(jiān)督信息做擬合，我們構建基于問題對的訓練語料，擬合是否匹配這個二分類目標。第二，特征上拋棄稀疏的詞袋模型，而是構造各種相似度來做base scorer，然后利用非線性的抗噪能力強的xgboost來做融合，比如我們用到詞bigram, 字bigram, 核心詞，名詞等特征集合的相似度。這種方法的優(yōu)缺點是一體的，由于模型只學習字面相似的特征，因此不受領域影響，通用性強，適合用在冷啟動階段;但也因為只考慮字面相似，無法處理更深層的語義匹配。

那如何度量語義的相似呢。詞向量技術的興起是語義匹配的前提，所謂詞向量，是將孤立的傳統的token表示映射到相互關聯的向量空間中，這種關聯性，或者說是相似性，是通過詞語的上下文的來描述的。也就是說，上下文越相似的詞語，他們的語義就越相似，詞向量的歐式距離就越近。這是很容易理解的，更妙的是，通過對向量進行簡單加減運算，能夠呈現出概念的關系，比如king-man+woman的結果非常接近于queen, 因此說明詞向量能夠一定程度刻畫語義。那對句子如何做向量表示呢?一個簡單的想法是直接求和平均，WMD是另一個比較有意思且有效的做法，他將計算句子到句子的相似度建模成一個運輸的問題，把句子p的各個詞，運輸到q的各個詞上，也可以說是變換;運輸成本是詞向量的cosine相似度，而要運輸的是各個詞在句子中的權重，用線性規(guī)劃求解一個最優(yōu)解，即為p到q的距離。另外還有個有效的方法是SIF，思路是做詞向量加權求和，但是突顯出句子中非通用的部分，即權重用詞頻倒數來計算權重，實驗效果也很不錯。

上面的方法有一個問題就是沒有利用有監(jiān)督信息，所以效果有明顯的天花板。下面介紹這個工作是基于深層網絡做有監(jiān)督學習的匹配的，做法也比較簡單，首先把句子文本用one-hot編碼，假如詞典大小是500K，那編碼完長度就是500K維，其實等于是詞袋模型，然后輸入到一個多層的神經網絡去學習，最終得到一個128維的向量作為句子的語義表示，然后用cosine計算兩個句子與文檔的相似度作為模型輸出。這個方法其實是將高維稀疏的token特征映射到低維語義空間，跟詞向量的思路很類似，只不過訓練目標不同，并且這里使用了深層網絡結構。

但是CNN對上下文的處理能力依賴于窗口大小，遠距離就沒辦法處理了，因此要考慮另一種網絡單元RNN，這種單元是專門為時序模型量身打造的，簡單來說，每一時刻t上的隱藏狀態(tài)，或者說第t個詞上的語義編碼，都由兩個輸入共同決定，即上一時刻的隱藏狀態(tài)和當前時刻的原始輸入，而為了解決遠距離傳遞導致的梯度消失和梯度爆炸等問題，RNN有一些變種結構來應對，比如 LSTM和GRU等。

CNN和RNN都是對原始輸入進行語義編碼的基本單元，編碼后的向量就可以接入多層感知機進行相似度計算，如果是直接計算cosine相似度，那就是dssm的升級版，而更常見的做法是把兩個句子的編碼向量拼接在一起，再經過一個多層感知機計算相似度，而這種方法統稱為表達式建模;

另一種方案考慮到兩個句子之間的交互信息對學習他們是否匹配顯然更為重要，這一類方案被稱為交互式建模，右邊是一個典型的例子，他最大的不同是首先對兩個句子的所有窗口組合進行拼接和卷積，得到交互信息。然后再進行多次卷積和池化得到表示。其他的交互方式還包括編碼之后，進行交互操作，如作差，點乘等，還有計算attention表示，也是常見的交互方式。

下面介紹我們的方案，跟上面介紹的模型相比，我們的方案主要做了兩處改動，一個是使用了稠密連接的網絡結構，讓rnn層的輸入和輸出拼接在一起做為下一層的輸入，第二個是混合注意力機制，即在計算attention向量進行交互式建模的基礎上，增加self-attention向量計算，然后把兩個attention向量經過門機制進行融合，這樣做一方面引入了問句間的交互信息，同時又增強了對自身的表達建模。

上面的模型是比較復雜的模型，參數量有5.8M。在實際中應用中訓練語料會嚴重不足，為了解決這個問題，我們引入了遷移學習的策略。首先第一種是多任務聯合學習，比如在擬合兩個問句是否匹配的同時，也對問句進行分類預測;另外還可以同時對匹配的問題對做seq2seq的翻譯模型訓練。這兩個策略都證明能有效提升準確率。

而另一個思路更加直觀，即引入其他領域的語料，所謂多語料遷移。Fine-tune即參數微調是其中一種做法，即先用通用語料訓練網絡，固定底層表達層的參數，然后再使用領域語料調整上層參數;另一種思路參考了對抗學習的思想，即引入一個新的任務“混淆分類器”去判別當前樣本是來自源語料還是目標語料，通過在損失函數中增加反向的混淆分類損失項，讓混淆分類器盡可能地無法區(qū)分樣本的來源，從而保證共享了參數的表達網絡能夠學習到兩部分語料中共性的部分。

以上的介紹都是為了完成一個基本的單輪對話機器人，而實際應用中，往往存在需要需要交互的場景，比如查詢社保余額，就需要用戶提供指定信息，如姓名，身份證號，手機號等。這種是所謂任務導向型機器人，而另一種，基于知識圖譜的機器人也往往會涉及到多輪交互。這里簡單介紹一下多輪對話機器人的架構，整體上是一個對話管理系統，總的來說是管理會話狀態(tài)，包含4個模塊，分別是輸入部分：自然語言理解模塊NLU，負責意圖識別和抽取槽位實體，比如這里匹配到了意圖是查詢社保余額，抽取到了社保號1234。得到的意圖和槽位值會送入到對話狀態(tài)追蹤模塊，DST，他負責會話狀態(tài)的更新，形式化來說是一個函數，輸入是當前狀態(tài)s和當前的query經過NLU處理過得到的意圖和槽位值q, 輸出新的狀態(tài)s‘，下一步是把s’送入DPL，對話策略模塊，這個模塊是根據新的狀態(tài)s‘輸出行動a，通常這個決策選擇會依賴于一個外部數據庫或知識圖譜，最后，由輸出部分，自然語言生成模塊NLG負責將行動轉換為自然語言文本，返回給用戶。

前面提到的單輪FAQ機器人，有一個問題是問答準確率依賴于問答庫的質量，而問答庫的構建耗時費力，所以針對數據較大的非結構化文檔，如果可以直接從中抽取答案，是非常理想的做法。比如斯坦佛大學開源的drQA，就是基于wikipedia的語料做的一個開放域上的問答機器人，我們來看看這種閱讀理解機器人的架構示意，他也是基于檢索重排的思路，首先把可能的文段從語料庫中摘取出來，然后送入閱讀理解模型進行答案定位，打分，排序和選擇得分最高的答案。閱讀理解模型與匹配模型是類似的，需要先對問題和候選文段進行編碼表示，不同之處在于最終預測的目標是答案的起始和結束位置。我所在的團隊在去年，在閱讀理解的權威公開測評Squad v1中取得過第一的成績，同時參加這個測評的包括了google, facebook, 微軟，阿里idst, 科大訊飛等國內外同行。說明業(yè)界對這種技術還是非?？粗氐摹?/p>

下面分享小知在把以上技術落地產品化的經驗。首先我們來看看小知的整體架構圖，核心引擎有兩部分，一塊是上面重點闡述的深度語義匹配模型，另一塊是本次分享沒有展開的知識圖譜引擎，在此之上，我們構建了FAQ機器人，多輪會話機器人(任務機器人)，閑聊機器人等。以下是我們單輪和多輪機器人的示例。

在我們實際的落地項目中，得益于深度遷移模型的語義匹配能力和行業(yè)知識圖譜的的精準匹配和輔助追問，小知機器人能夠做到95%左右的問答準確率，并且節(jié)省了50%以上的服務人力，切實為政府和企業(yè)提升效率和降低成本。

在智能客服的基礎上，我們又打造了基于語音的電話機器人，力主融合智能客服，人工在線客服，工單系統和電話機器人，為客戶打造從售前售中售后的整體解決方案。

以下是電話機器人的整體架構圖，核心是自然語言理解NLU模塊，負責識別用戶提問意圖

提取相關實體。根據NLU輸出的結果，內置的對話管理引擎會進行流程狀態(tài)流轉和跟蹤。

另外，ASR語音識別和TTS語音合成是不可或缺的重要服務，這三個模塊相互協作，共同完成與用戶的交互。

最后對智能問答的未來發(fā)展提幾點我的看法。目前學術界比較公認的一個方向是，需要更有機地結合模型和規(guī)則，而在問答領域，規(guī)則的一大組成部分就是知識圖譜，包括開放領域的知識圖譜和專業(yè)領域知識圖譜。而更進一步地，我們需要研究帶有推理性質的事理型知識圖譜去描述領域內的規(guī)則和知識，讓機器人能夠處理帶有復雜條件的問題，提供更智能的回復。在我看來，智能問答的一個突破口就在于解決以上三個問題。以上就是今天分享的內容，謝謝大家。

主講人介紹：

陳松堅，騰訊數據平臺部算法高級研究員，有著8 年的 NLP 研發(fā)經驗，2017 年加入騰訊 TEG 數據平臺部，負責智能客服產品騰訊小知的算法規(guī)劃和落地。負責過多個智能客服項目，對封閉領域的智能問答有豐富的實戰(zhàn)經驗。

電話機器人的工作原理其實很簡單：它主要根據語音識別技術來進行工作。實際上電話機器人產品架構，電話機器人的學習能力很強，上線時做好話術分析、制作，上線后經過一定時期（2-3周)的優(yōu)化，就會成為一名中高級電話銷售人員，再加上后續(xù)持續(xù)的優(yōu)化，他會越來越聰明。

電話機器人工作時，首先將客戶可能會問到的行業(yè)相關的一些問題和答案整理好并錄制到話術庫中，等到客戶提出問題后，電話機器人可以自己匹配相應答案；如果客戶沒有問題，電話機器人也會自己提出問題等待客戶回答，這樣一問一答的過程中，電話機器人就輕松判斷出客戶意向電話機器人產品架構了。

電話機器人的誕生最初就是為了把人類從簡單重復的繁瑣工作中解放出來，而不是完全代替人類的工作。它在工作時，會根據目標客戶的意向程度進行等級的分類并記錄在系統后臺，人工只需再跟進電話機器人選中的意向客戶進行訂單的促成即可。

無論是哪個行業(yè)，對于當今快節(jié)奏的 社會 ，行業(yè)競爭日趨激烈。隨著企業(yè)的不斷發(fā)展和業(yè)務的不斷增加，許多傳統的崗位已經不能滿足企業(yè)發(fā)展的需要，智能產品的應用已經成為企業(yè)成長必不可少的“養(yǎng)分”。

隨著我國經濟 社會 的快速發(fā)展，消費者的消費需求也在迅速升級。

尤其是銷售行業(yè)，為了順應經濟發(fā)展趨勢。擁有智能外呼 真人語音的電銷機器人，以其互動性強、便捷性高、用戶體驗更高的優(yōu)勢出現在大眾面前，受到了整個行業(yè)的青睞。

銷售，是機遇與挑戰(zhàn)并存的行業(yè)。根據相關數據統計，一個電銷機器人日呼量可達上千，大約是一個人工一天工作量的4~5倍，特別是電銷機器人在促進銷售行業(yè)市場發(fā)展和帶動企業(yè)整體成單率增長中發(fā)揮了重要作用。

此外，電銷機器人采用真人語音 智能外呼的應用場景，具有即時性、互動性、以及模擬真人化的優(yōu)勢，實現了“人找客戶”到“客戶找人”的轉變。讓消費者在使用過程中，變得更便捷、更有體驗感。

對企業(yè)來說，這種新型的營銷模式，寬了營銷渠道，大幅度降低企業(yè)成本，強化產業(yè)鏈整合。不僅提升了公司的效益，也為互聯網經濟發(fā)展 探索 出了更多的可能性。

第二，增加銷售人員的熱情

每天只有一筆成功的交易被100次拒絕，這消耗了銷售人員太多的工作熱情。電話機器人可以幫助電話銷售人員避免這些單調、無聊、無聊和情緒化的工作步驟。

第三，提高銷售率

在海里釣魚，用電話機器人把魚推進小池塘，讓銷售人員釣魚，哪一種效率高？電話機器人可能效率低下。

從客戶中篩選出意向較高的用戶，讓銷售人員直接進入高下單率的推廣。電話機器人已經發(fā)展得如此成熟。目前，很多行業(yè)已經開始使用電話機器人，涉及網絡電子商務、金融、房地產、電子商務、廣告、 汽車 、保險等諸多行業(yè)。

企鯨客scrm 管理系統，在系統內加入AI外呼，基于NLP、大數據、語音識別與合成技術，提供智能電話機器人產品，支持批量呼出，輔助人工進行通知提醒、意向溝通、信息核對等工作。利用人工智能助力企業(yè)私域流量構建，打破傳統單一服務模式，擴大服務邊界，讓企業(yè)客服完成“從成本中心向利潤中心”的真正轉型，提升服務價值，提高營收轉化。并與企業(yè)微信打通，做到銷售流程全管理。

收費方面：企鯨客SCRM AI外呼功能是按照分鐘來計費，后續(xù)人工接管電話則是按照通話次數來收費，多種收費方式結合，大大降低企業(yè)成本。

關于電話機器人產品架構和電話機器人技術的介紹到此就結束了，不知道你從中找到你需要的信息了嗎 ？如果你還想了解更多這方面的信息，記得收藏關注本站。