“剁手”更便捷！智能导购对话机器人实践

想知道阿里云如何解决大数据分析难题？敬请关注大咖·来了第 10 期，本期将邀请阿里云智能互联网事业部高级解决方案架构师鲍远松老师为我们带来《零门槛构建弹性大数据云分析平台》。

当下电商行业相对成熟且呈现出诸多形态，如何为终端用户提供更好的服务，进而提高运营和企业的效率，是每个电商企业不得不面对的问题，智能导购对话机器人在这样的背景下应需而生。

本期《大咖来了》直播栏目邀请的是智能一点 CTO 莫瑜，分享《智能导购对话机器人实践》，深入阐述了智能导购对话机器人背后的技术细节，及实际研发过程中的一些总结与思考。

什么场景需要智能导购对话机器人呢？用户在夜间购物是很难找到人工客服的，此时智能导购机器人对提高电商客户的成交就起到非常重要的作用。

当双 11、618 等大促时，虽然提前几个月去筹备人工客服，来应对几十倍甚至上百倍暴增的流量，但效率和资源投入方面都不尽人意，此时智能导购对话机器人就派上了用场。

如下图，为整个对话机器人后台的粗略架构：

当智能对话机器人通过不同电商客户端接收到用户消息后，如能直接回答便会自动回复，超出能力范围便会分发给人工客服。

智能对话机器人自动回答用户问题的流程是这样的，首先对话管理平台接收消息，根据上下文理解用户意图，分发智能导购机器人。

中控模块收接到智能导购机器人的反馈后做最终仲裁，并把结果反馈给用户。整个流程看似简单，但技术实现却不是易事。

智能导购机器人包含三部分，分别是问答机器人、任务机器人和推荐机器人。

问答机器人主要解决不需要通过多轮交互便可以解决的问题，是任务机器人的基础。

任务机器人通过跟用户多轮的交互，从而帮助用户解决某个需求，比问答机器人更上一层。

推荐机器人基于任务和问答机器人构建，特点在于主动和用户进行交互。

问答机器人一般是基于问答库构建，问答库中存储几万、几十万甚至更多已知相匹配的问题与答案数据，当用户输入的问题与库中某一个问题语义相同时，便把相应答案反馈给用户。

基于问答库的问答机器人一般采用基于规则、统计学习、预训练模型、小样本学习的技术方案：

基于规则和统计学习方式

当用户消息中包含某个关键词，匹配某个正则表达式，及符合某个规则引擎时，准确识别意图，反馈对应答案。这种方式简单可控，但缺少语义理解，不容易维护。

基于统计学习的方案需要标注数据，像 SVM、Deep Semantic Model（深度语义模型）、这些模型会涉及到人工设计特征、深度特征、one-hot（稀疏表达）和 embedding（稠密表达）。

相比基于规则的方式，基于统计学习的方案学到更多语义，但缺点在于需要大量领域知识、领域相关标注数据。

基于预训练模型和小样本学习

在缺少数据标注的情况下，可以选择基于预训练模型和小样本学习这两种方式。

2018 年基于 BERT 的 Fine tuning 发布，很多问题的最佳结果得到刷新，语义相似度方面也是一样。

当每个问答库的数据非常少，每一个意图场景仅有几条，可以尝试使用基于小样本学习方式。

除了，基于问答库的问答机器人之外，还有一种很重要的基于知识图谱的问答机器人：

基于知识图谱方式

大部分用户咨询的问题都与商品或活动相关，这些问题基本上可以建模为知识图谱。

在电商领域，商品、活动数据是非常重要的两部分数据源，再加之行业数据全部存到数据库中，就可以查询并回答大多数用户的问题。

如下图，为知识图谱的构建和问答模式：

客户原有的结构化数据、从页面抽取的半结构化数据，以及像用户评论等非结构化数据是知识图谱的三大数据源，在此之上构建知识图谱，结合知识图谱进行查询之后，放到相应的存储引擎中去，如有些数据需要做频繁查询，也可放到关系数据库中。

当收到用户请求，可以进行句法解析把句子转化成查询形式，也可以对问题进行核心部分提取并查询。

对话交互系统是任务机器人的核心，包含语义理解、对话管理、文本生成等模块，如下图为比较常用且相对成熟框架。

语义理解又可以细分为领域分类、意图识别和槽值抽取三部分，首先判断用户问题属于哪个领域，其次理解用户意图，并识别用户意图后进行槽值抽取（获取对应意图场景关联的重要参数）。

意图识别

意图识别是非常重要的模块，如果意图识别失败或错误，整个后续的交互会显得非常古怪。

如下图，为意图识别综合方案：

此组合方案中，基于参数模型意图识别为主，基于上下文、规则和 KNN 意图识别为辅。

使用传统特征和深度模型特征去融合基于标注数据做的模型，把模型当做分类器，输出是属于某种意图场景。

每个意图都会有关心的槽值或参数，实体抽取主要是基于规则和序列标注相组合的方式，如下图：

规则方案适合相对有规律或封闭的集合，像地址、邮箱地址、商品链接等数据。

对于一些开放集合，没办法用规则支持情况下，可采用序列标注方式。

情感分析也属于语义理解范畴，如某个用户情绪如何，是正向还是负面，是否发生变化。

对话管理

对话状态管理本身是一个很复杂的工作，如果用户并没有完全遵循交互设计的流程进行，会出现意图偏移的情况。

如下图，为对话交互设计简易流程：

当用户咨询的问题存在歧义，当理解意图反馈后，用户发起追问，超出事初预测的范畴，遇到这些情况该如何处理？

这里就会应用可配置的对话交互系统，智能地和终端用户进行交互。对话交互系统可以根据客户描述语言定义的支持所需机器人的对话配置。

目前，对话交互设计系统可以做到设计和实现解耦。技术研发在完善对话交互系统的同时，导购/领域专家可以轻松地配置定制化机器人。

为什么需要个性化推荐？原因有二，其一对话交互有利于信息的获取,不利于信息的展现，其二对话交互需要细粒度的个性化。

在电商场景中，推荐机器人在实际交互过程中的使用占比非常大，有些店铺接近 20% 的客服请求中含有商品链接或推荐需求。

相比传统推荐系统而言，对话交互推荐系统可以结合更加丰富的信息，这些信息真实自然地存在对话场景中，就是显式反馈，可以更多地考虑上下文，如：时间(早中晚／星期)、地点、情绪、环境（商家情况）等。

智能导购中的推荐方式一般可分为四种，分别是热门推荐、相关推荐、主动推荐和交互推荐等。

接下来我们主要介绍相对比较复杂的交互推荐方式，下图为示例：

以推荐奶粉为例，传统推荐是基于用户画像，从所有 SKU 中挑选出最有可能成交的商品进行推荐。

交互推荐是先推荐某一款，之后进一步沟通，双方信息得以交换。

这样一来，用户了解商家信息的同时商家知晓了用户喜好，减少信息不对称，弥补双方理解上的差异，进而更好地服务这个用户。

针对这部分内容，基于具体示例，详尽阐述交互推荐的流程及建模，请观看视频。

对话机器人领域非常庞大，也有很多新技术在不断发展，实际用对话技术解决业务问题的过程中，会碰到大大小小的问题，这里主要分享如下几点：

要注意权衡产品设计和技术边界之间的关系，考虑在技术能够解决问题的同时如何通过产品巧妙的设计、产品流程交互去降低对技术的要求，提升客户体验。

对机器人来说，用户总期望它的行为/能力与人媲美，现实中要做到完全全自动是很难，采用人机协同的方式才能够给用户更好的体验。

必须全自动的情况下，需要引入交互推荐方式，进而使得人跟机器之间的交互更加顺畅。

客户参与配置机器人，会有驯服机器人的成就感。但配置在易用性方面要多加斟酌，不要太繁琐，免得客户有畏惧心理。

在电商场景，实际商用对话系统可控和智能兼得，何时可控何时智能，需要做很多方面的权衡。

如推荐交互策略可以基于强化学习越智能越好，但对于整个对话系统策略方面，模块优化，仲裁逻辑、交互流程等环节，需要通过配置或交互设计使得更加可控。