本文目錄一覽：

電話機器人首要便是用來模仿人工通話電話機器人軟件架構(gòu)的一組程序電話機器人軟件架構(gòu)，一般由，CRM體系，語義辨認，轉(zhuǎn)化文字，話術(shù)體系，這是軟的部分，再加上底層軟交換和通訊模塊一同，兼并起來便是一套完好的電話機器人體系。

跟著人工智能的飛速開展以及廣泛落地運用，越來越多的設(shè)備將會被植入智能問答技能，人機交互場景隨處可見，智能問答在未來將會成為一個十分重要的進口。

騰訊小知憑借著業(yè)界搶先的智能AI引擎算法和海量大數(shù)據(jù)倉庫，已將智能問答技能落地施行，而且經(jīng)過許多的事務(wù)檢測和優(yōu)化，常識點匹配度和準(zhǔn)確率都已到達90%以上，在2018 年 GITC 全球互聯(lián)網(wǎng)技能大會上，騰訊小知榮獲年度互聯(lián)網(wǎng)最具價值產(chǎn)品獎。

騰訊小知算法擔(dān)任人陳松堅也在會場宣布電話機器人軟件架構(gòu)了關(guān)于智能問答技能原理及其在To B場景下的運用的專題講演，從自己的視點為電話機器人軟件架構(gòu)咱們展示智能問答技能的最新作用。

電話機器人軟件架構(gòu)他首要從智能問答是什么，為什么和怎樣做的三個問題動身，闡明電話機器人軟件架構(gòu)了他對當(dāng)時智能問答技能的定位和價值，首要，現(xiàn)階段的智能問答是信息檢索技能的晉級，是突變而未到達突變。可是不管在To B仍是To C的場景下，當(dāng)時的技能都可以實在處理一些用戶的痛點，提高用戶體會，是亟待推動和充溢幻想的方向。

在答復(fù)怎樣做這個問題時，他具體介紹電話機器人軟件架構(gòu)了幾種不同的問答機器人的完結(jié)途徑，包含單輪問答機器人，多輪問答機器人及閱覽了解機器人。其間要點論述了單輪問答機器人的完結(jié)原理，包含字面匹配，詞向量匹配，深度語義匹配，搬遷學(xué)習(xí)等技能。

爾后他還同享了小知團隊將上述技能產(chǎn)品化的經(jīng)歷，包含智能客服機器人和電話機器人兩大塊，首要同享了當(dāng)時產(chǎn)品的形狀，亮點和實踐項目中獲得的一些作用。

終究，他簡略總結(jié)了小知現(xiàn)在完結(jié)的作業(yè)以及就智能問答的開展提出了自己的幾點觀點。

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

以下是講演稿全文：

各位下午好，很快樂今日能在這兒給咱們做同享陳述。先介紹一下，咱們騰訊小知是致力于為政府和各職業(yè)供給一攬子智能問答處理計劃的團隊，現(xiàn)在現(xiàn)已落地的包含依據(jù)文本的智能客服機器人和依據(jù)語音的電話機器人等。

在大多數(shù)人的認知里，智能問答很或許是以上的3個形象，2011年打敗了人類獲得問答比賽冠軍的waston;2017年被沙特頒發(fā)公民身份的機器人sofia;更為咱們熟知的鋼鐵俠中的機器人管家jarvis。在咱們心目中，智能就意味著可以像真人相同溝通。可是作為從業(yè)者，很惋惜地告知咱們，現(xiàn)在的技能還遠沒有到達這個方針，我以為本質(zhì)上現(xiàn)在的智能問答技能是對信息檢索技能的一次晉級，是突變而未到突變。這個皇冠上的明珠還等待咱們?nèi)フ　?/p>

已然問答技能還不老練，那為什么還要投身到這個范疇呢。我想從To B和To C兩個視點去答復(fù)。對企業(yè)來講，當(dāng)時的問答技能盡管無法回答雜亂的咨詢，可是大部分的簡略的頭部問題是可以比較好的回答的。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)是的確存在對智能問答的剛性需求。而對普通用戶來講，一方面siri等語音幫手每天都在為用戶供給快捷的交互界面，另一方面像amazon echo這一類的智能家居產(chǎn)品也逐漸進入千家萬戶，成為物聯(lián)網(wǎng)生態(tài)的中心進口之一，這便是智能問答的價值地點。

那怎么完結(jié)智能問答機器人呢?咱們先來看最根本的單輪問答機器人的完結(jié)原理。

了解搜索引擎的朋友會發(fā)現(xiàn)這個架構(gòu)跟搜索引擎的很相似。單輪問答一般來說便是FAQ問答，是依據(jù)事務(wù)問答對組成的問答庫進行檢索匹配。其間FAQ問題集包含多個相似問法供用戶問題去匹配。預(yù)處理階段一般會進行文本糾錯，標(biāo)準(zhǔn)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)，而終究的匹配階段會依據(jù)各種模型進行匹配打分并回來得分最高的成果(精排)。匹配階段還會引進其他模塊，如常識圖譜和拒識模型，目的是輔佐提高匹配的終究準(zhǔn)確率。

retrieval中的匹配可以看做是naive solution，詞袋+VSM, 挑選候選夠用了，可是精排需求更精美的戰(zhàn)略，榜首，要運用監(jiān)督信息做擬合，咱們構(gòu)建依據(jù)問題對的練習(xí)語料，擬合是否匹配這個二分類方針。第二，特征上扔掉稀少的詞袋模型，而是結(jié)構(gòu)各種相似度來做base scorer，然后運用非線性的抗噪才能強的xgboost來做交融，比方咱們用到詞bigram, 字bigram, 中心詞，名詞等特征調(diào)集的相似度。這種辦法的優(yōu)缺點是一體的，由于模型只學(xué)習(xí)字面相似的特征，因而不受范疇影響，通用性強，合適用在冷啟動階段;但也由于只考慮字面相似，無法處理更深層的語義匹配。

那怎么衡量語義的相似呢。詞向量技能的鼓起是語義匹配的條件，所謂詞向量，是將孤立的傳統(tǒng)的token表明映射到彼此相關(guān)的向量空間中，這種相關(guān)性，或許說是相似性，是經(jīng)過詞語的上下文的來描繪的。也便是說，上下文越相似的詞語，他們的語義就越相似，詞向量的歐式間隔就越近。這是很簡略了解的，更妙的是，經(jīng)過對向量進行簡略加減運算，可以呈現(xiàn)出概念的聯(lián)系，比方king-man+woman的成果十分接近于queen, 因而闡明詞向量可以必定程度描寫語義。那對語句怎么做向量表明呢?一個簡略的主意是直接求和均勻，WMD是另一個比較有意思且有用的做法，他將核算語句到語句的相似度建模成一個運送的問題，把語句p的各個詞，運送到q的各個詞上，也可以說是改換;運送成本是詞向量的cosine相似度，而要運送的是各個詞在語句中的權(quán)重，用線性規(guī)劃求解一個最優(yōu)解，即為p到q的間隔。別的還有個有用的辦法是SIF，思路是做詞向量加權(quán)求和，可是突顯出語句中非通用的部分，即權(quán)重用詞頻倒數(shù)來核算權(quán)重，試驗作用也很不錯。

上面的辦法有一個問題便是沒有運用有監(jiān)督信息，所以作用有顯著的天花板。下面介紹這個作業(yè)是依據(jù)深層網(wǎng)絡(luò)做有監(jiān)督學(xué)習(xí)的匹配的，做法也比較簡略，首要把語句文本用one-hot編碼，假設(shè)詞典巨細是500K，那編碼完長度便是500K維，其實等于是詞袋模型，然后輸入到一個多層的神經(jīng)網(wǎng)絡(luò)去學(xué)習(xí)，終究得到一個128維的向量作為語句的語義表明，然后用cosine核算兩個語句與文檔的相似度作為模型輸出。這個辦法其實是將高維稀少的token特征映射到低維語義空間，跟詞向量的思路很相似，只不過練習(xí)方針不同，而且這兒運用了深層網(wǎng)絡(luò)結(jié)構(gòu)。

可是CNN對上下文的處理才能依賴于窗口巨細，遠間隔就沒辦法處理了，因而要考慮另一種網(wǎng)絡(luò)單元RNN，這種單元是專門為時序模型量身打造的，簡略來說，每一時間t上的躲藏狀況，或許說第t個詞上的語義編碼，都由兩個輸入一起決議，即上一時間的躲藏狀況和當(dāng)時時間的原始輸入，而為了處理遠間隔傳遞導(dǎo)致的梯度消失和梯度爆破等問題，RNN有一些變種結(jié)構(gòu)來應(yīng)對，比方 LSTM和GRU等。

CNN和RNN都是對原始輸入進行語義編碼的根本單元，編碼后的向量就可以接入多層感知機進行相似度核算，假如是直接核算cosine相似度，那便是dssm的晉級版，而更常見的做法是把兩個語句的編碼向量拼接在一同，再經(jīng)過一個多層感知機核算相似度，而這種辦法統(tǒng)稱為表達式建模;

另一種計劃考慮到兩個語句之間的交互信息對學(xué)習(xí)他們是否匹配明顯更為重要，這一類計劃被稱為交互式建模，右邊是一個典型的比方，他最大的不同是首要對兩個語句的一切窗口組合進行拼接和卷積，得到交互信息。然后再進行屢次卷積和池化得到表明。其他的交互方法還包含編碼之后，進行交互操作，如作差，點乘等，還有核算attention表明，也是常見的交互方法。

下面介紹咱們的計劃，跟上面介紹的模型比較，咱們的計劃首要做了兩處改動，一個是運用了稠密銜接的網(wǎng)絡(luò)結(jié)構(gòu)，讓rnn層的輸入和輸出拼接在一同做為下一層的輸入，第二個是混合注意力機制，即在核算attention向量進行交互式建模的基礎(chǔ)上，添加self-attention向量核算，然后把兩個attention向量經(jīng)過門機制進行交融，這樣做一方面引進了問句間的交互信息，一起又增強了對本身的表達建模。

上面的模型是比較雜亂的模型，參數(shù)量有5.8M。在實踐中運用中練習(xí)語料會嚴重不足，為了處理這個問題，咱們引進了搬遷學(xué)習(xí)的戰(zhàn)略。首要榜首種是多使命聯(lián)合學(xué)習(xí)，比方在擬合兩個問句是否匹配的一起，也對問句進行分類猜測;別的還可以一起對匹配的問題對做seq2seq的翻譯模型練習(xí)。這兩個戰(zhàn)略都證明能有用提高準(zhǔn)確率。

而另一個思路愈加直觀，即引進其他范疇的語料，所謂多語料搬遷。Fine-tune即參數(shù)微調(diào)是其間一種做法，即先用通用語料練習(xí)網(wǎng)絡(luò)，固定底層表達層的參數(shù)，然后再運用范疇語料調(diào)整上層參數(shù);另一種思路參閱了對立學(xué)習(xí)的思維，即引進一個新的使命“混雜分類器”去判別當(dāng)時樣本是來自源語料仍是方針語料，經(jīng)過在丟失函數(shù)中添加反向的混雜分類丟失項，讓混雜分類器盡或許地?zé)o法區(qū)別樣本的來歷，然后確保同享了參數(shù)的表達網(wǎng)絡(luò)可以學(xué)習(xí)到兩部分語料中共性的部分。

以上的介紹都是為了完結(jié)一個根本的單輪對話機器人，而實踐運用中，往往存在需求需求交互的場景，比方查詢社保余額，就需求用戶供給指定信息，如名字，身份證號，手機號等。這種是所謂使命導(dǎo)向型機器人，而另一種，依據(jù)常識圖譜的機器人也往往會涉及到多輪交互。這兒簡略介紹一下多輪對話機器人的架構(gòu)，全體上是一個對話辦理體系，總的來說是辦理會話狀況，包含4個模塊，分別是輸入部分：自然言語了解模塊NLU，擔(dān)任目的辨認和抽取槽位實體，比方這兒匹配到了目的是查詢社保余額，抽取到了社保號1234。得到的目的和槽位值會送入到對話狀況追尋模塊，DST，他擔(dān)任會話狀況的更新，形式化來說是一個函數(shù)，輸入是當(dāng)時狀況s和當(dāng)時的query經(jīng)過NLU處理過得到的目的和槽位值q, 輸出新的狀況s‘，下一步是把s’送入DPL，對話戰(zhàn)略模塊，這個模塊是依據(jù)新的狀況s‘輸出舉動a，一般這個決議計劃挑選會依賴于一個外部數(shù)據(jù)庫或常識圖譜，終究，由輸出部分，自然言語生成模塊NLG擔(dān)任將舉動轉(zhuǎn)化為自然言語文本，回來給用戶。

前面說到的單輪FAQ機器人，有一個問題是問答準(zhǔn)確率依賴于問答庫的質(zhì)量，而問答庫的構(gòu)建耗時吃力，所以針對數(shù)據(jù)較大的非結(jié)構(gòu)化文檔，假如可以直接從中抽取答案，是十分抱負的做法。比方斯坦佛大學(xué)開源的drQA，便是依據(jù)wikipedia的語料做的一個敞開域上的問答機器人，咱們來看看這種閱覽了解機器人的架構(gòu)暗示，他也是依據(jù)檢索重排的思路，首要把或許的文段從語料庫中摘取出來，然后送入閱覽了解模型進行答案定位，打分，排序和挑選得分最高的答案。閱覽了解模型與匹配模型是相似的，需求先對問題和候選文段進行編碼表明，不同之處在于終究猜測的方針是答案的開始和完畢方位。我地點的團隊在上一年，在閱覽了解的威望揭露測評Squad v1中獲得過榜首的成果，一起參與這個測評的包含了google, facebook, 微軟，阿里idst, 科大訊飛等國內(nèi)外同行。闡明業(yè)界對這種技能仍是十分垂青的。

下面同享小知在把以上技能落地產(chǎn)品化的經(jīng)歷。首要咱們來看看小知的全體架構(gòu)圖，中心引擎有兩部分，一塊是上面要點論述的深度語義匹配模型，另一塊是本次同享沒有打開的常識圖譜引擎，在此之上，咱們構(gòu)建了FAQ機器人，多輪會話機器人(使命機器人)，閑談機器人等。以下是咱們單輪和多輪機器人的示例。

在咱們實踐的落地項目中，得益于深度搬遷模型的語義匹配才能和職業(yè)常識圖譜的的精準(zhǔn)匹配和輔佐詰問，小知機器人可以做到95%左右的問答準(zhǔn)確率，而且節(jié)省了50%以上的服務(wù)人力，實在為政府和企業(yè)提高功率和下降成本。

在智能客服的基礎(chǔ)上，咱們又打造了依據(jù)語音的電話機器人，力主交融智能客服，人工在線客服，工單體系和電話機器人，為客戶打造從售前售中售后的全體處理計劃。

以下是電話機器人的全體架構(gòu)圖，中心是自然言語了解NLU模塊，擔(dān)任辨認用戶發(fā)問目的

提取相關(guān)實體。依據(jù)NLU輸出的成果，內(nèi)置的對話辦理引擎會進行流程狀況流通和盯梢。

別的，ASR語音辨認和TTS語音組成是不可或缺的重要服務(wù)，這三個模塊彼此協(xié)作，一起完結(jié)與用戶的交互。

終究對智能問答的未來開展提幾點我的觀點。現(xiàn)在學(xué)術(shù)界比較公認的一個方向是，需求更有機地結(jié)合模型和規(guī)矩，而在問答范疇，規(guī)矩的一大組成部分便是常識圖譜，包含敞開范疇的常識圖譜和專業(yè)范疇常識圖譜。而更進一步地，咱們需求研討帶有推理性質(zhì)的事理型常識圖譜去描繪范疇內(nèi)的規(guī)矩和常識，讓機器人可以處理帶有雜亂條件的問題，供給更智能的回復(fù)。在我看來，智能問答的一個突破口就在于處理以上三個問題。以上便是今日同享的內(nèi)容，謝謝咱們。

主講人介紹：

陳松堅，騰訊數(shù)據(jù)渠道部算法高檔研討員，有著8 年的 NLP 研制經(jīng)歷，2017 年參加騰訊 TEG 數(shù)據(jù)渠道部，擔(dān)任智能客服產(chǎn)品騰訊小知的算法規(guī)劃和落地。擔(dān)任過多個智能客服項目，對關(guān)閉范疇的智能問答有豐厚的實戰(zhàn)經(jīng)歷。

南京硅基智能電話機器人的優(yōu)勢有許多的，我給你簡略說幾個：

1、依據(jù)自然言語了解、 支撐打斷：經(jīng)過大數(shù)據(jù)分析，樹立智能決議計劃反饋體系，練習(xí)適配事務(wù)場景的言語模型。

2、人工轉(zhuǎn)接：經(jīng)過語義辨認和處理功用可對客戶的意向進行實時盯梢，主動轉(zhuǎn)接人工跟進，下降客戶丟失的概率。

3、定制化：產(chǎn)品選用模塊化軟件架構(gòu)，能快速構(gòu)建適配不同事務(wù)場景需求的定制模塊。