智能人机交互技术的实践.docx

智能人机交互技术的实践随着机器学习技术的日新月异，人工智能已逐渐走入各个领域和被应用到不同的商业场景中，很多企业也将机器学习作为下一个发展的重点。? ?一、智能人机交互领域的介绍 ? ? ?1.1 行业分类及目前的应用状况 ?在全球人工智能领域不断发展的今天，包括 Google、Facebook、Microsoft、Amazon、Apple 等互联公司相继推出了自己的智能私人助理和机器人平台。 智能人机交互通过拟人化的交互体验逐步在智能客服、任务助理、智能家居、智能硬件、互动聊天等领域发挥巨大的作用和价值。因此，各大公司都将智能聊天机器人作为未来的入口级别的应用在对待。今天随着市场的进一步发展，聊天机器人按照产品和服务的类型主要可分为：客服，娱乐，助理，教育，服务等类型。? ?1.2 阿里小蜜在电商领域的状况 ?2015 年 7 月，阿里推出了自己的智能私人助理 - 阿里小蜜，一个围绕着电子商务领域中的服务、导购以及任务助理为核心的智能人机交互产品。通过电子商务领域与智能人机交互领域的结合，带来传统服务行业模式的变化与体验的提升。在去年的双十一期间，阿里小蜜整体智能服务量达到 643 万，其中智能解决率达到 95%，智能服务在整个服务量 (总服务量 = 智能服务量 + 在线人工服务量 + 电话服务量) 占比也达到 95%，成为了双十一期间服务的绝对主力。? ?二、电商领域下阿里小蜜的技术实践 ? ??2.1：阿里小蜜技术的 overview ?智能人机交互系统，俗称：chatbot 系统或者 bot 系统。图 2 是人机交互的流程图：核心是 NLU(自然语言理解)，通过对话系统处理后，最后通过自然语言生成的方式给出答案。一段语言如何理解对于计算机来说是非常有难度的，例如：“苹果”这个词就具备至少两个含义，一个是水果属性的“苹果”，还有一个是知名互联网公司属性的“苹果”。意图与匹配分层的技术架构体系在阿里小蜜这样在电子商务领域的场景中，对接的有客服、助理、聊天几大类的机器人。这些机器人，由于本身的目标不同，就导致不能用同一套技术框架来解决。因此，我们先采用分领域分层分场景的方式进行架构抽象，然后再根据不同的分层和分场景采用不同的机器学习方法进行技术设计。首先我们将对话系统从分成两层：1、 ? ?意图识别层：识别语言的真实意图，将意图进行分类并进行意图属性抽取。意图决定了后续的领域识别流程，因此意图层是一个结合上下文数据模型与领域数据模型不断对意图进行明确和推理的过程；2、 ? ?问答匹配层：对问题进行匹配识别及生成答案的过程。在阿里小蜜的对话体系中我们按照业务场景进行了 3 种典型问题类型的划分，并且依据 3 种类型会采用不同的匹配流程和方法：a) ? ?问答型：例如“密码忘记怎么办？”→ 采用基于知识图谱构建 + 检索模型匹配方式b) ? ?任务型：例如“我想订一张明天从杭州到北京的机票”→ 意图决策 +slots filling 的匹配以及基于深度强化学习的方式c) ? ?语聊型：例如“我心情不好”→ 检索模型与 Deep Learning 相结合的方式表示了阿里小蜜的意图和匹配分层的技术架构：意图识别介绍：结合用户行为 deep-learning 模型的实践通常将意图识别抽象成机器学习中的分类问题，在阿里小蜜的技术方案中除了传统的文本特征之外，考虑到本身在对话领域中存在语义意图不完整的情况，我们也加入了用实时、离线用户本身的行为及用户本身相关的特征，通过深度学习方案构建模型，对用户意图进行预测, 具体如图 ：在基于深度学习的分类预测模型上，我们有两种具体的选型方案：一种是多分类模型，一种是二分类模型。多分类模型的优点是性能快，但是对于需要扩展分类领域是整个模型需要重新训练；而二分类模型的优点就是扩展领域场景时原来的模型都可以复用，可以平台进行扩展，缺点也很明显需要不断的进行二分，整体的性能上不如多分类好，因此在具体的场景和数据量上可以做不同的选型。小蜜用 DL 做意图分类的整体技术思路是将行为因子与文本特征分别进行 Embedding 处理，通过向量叠加之后再进行多分类或者二分类处理。这里的文本特征维度可以选择通过传统的 bag of words 的方法，也可使用 Deep Learning 的方法进行向量化。具体图：匹配模型的 overview：介绍行业 3 大匹配模型目前主流的智能匹配技术分为如下 3 种方法：基于模板匹配 (Rule-Based)基于检索模型 (Retrieval Model)基于深度学习模型 (Deep Learning)在阿里小蜜的技术场景下，我们采用了基于模板匹配，检索模型以及深度学习模型为基础的方法原型来进行分场景 (问答型、任务型、语聊型) 的会话系统构建。? ?2.2：阿里小蜜的 3 大领