多轮对话聊天机器人，作为人工智能的典型应用场景，也是一项极具挑战的任务，不仅涉及多方面异构知识的表示、抽取、推理和应用，还涉及包括自然语言理解在内的其他人工智能核心技术的综合利用。
简介与相关技术调研
目前，多轮对话聊天机器人已经产生了很多应用，有萌妹子小冰，有佛法大师贤二，也有应用在各行各业的智能客服。多轮对话聊天机器人，作为人工智能的典型应用场景，也是一项极具挑战的任务，不仅涉及多方面异构知识的表示、抽取、推理和应用（如语言知识、领域知识、常识知识等），还涉及包括自然语言理解在内的其他人工智能核心技术（如用户画像、对话管理等）的综合利用。
实现对话机器人常见的方法，可以从最简单的“关键字匹配”，到最前沿的深度学习“端到端生成”应答。分别应用到不同的场景：闲聊、任务（垂直领域）、问答（QA）。
设计一个聊天机器人
要想机器能与人产生对话，那么第一步，就必须先“理解”人说话的内容，对于机器来说，“理解”就是把自然语言转成具有结构化的表达。机器解析结构化表达的内容，根据知识库（可能是 QA 对、可能是 if-then 规则、可能是业务流程等）获取相应的回答。
如下图，一次对话，就是一个会话的接入，语义理解就是理解人说话的内容，应答引擎就是根据理解的内容做出的应答。
语义理解
1. 建立语言模型
因为人类语言的本质是为了传递人与人之间的信息（意思）。那么，我们可以定义出 N 种意思分类（意思的种类越多，机器人的理解能力越强）。所以，一个语言模型就是一个多标签的数学模型，把自然语言转成具有结构化的表达。有以下三个步骤：
1）文本预处理：切词、词向量、词义消解等（这里内容很大，不详细介绍）。
2）样本准备：抽取一些经典的发言，在我们的 myModel 平台进行标注。
3）序列模型：多标签模型，如下图就是一种 CNN 与 LSTM 组合的神经网络方法。
尽管已经在一个垂直的领域，而且看似简单的三步，但是要做一个好的语义理解模型，是非常难的，例如一个小改动导致预测结果差异，可分两种：
1）一种是句中的词语位置变了、辅助词变了，如：“这就是给我的回复？”与“你们就这么回复我？”。
2）一种是增加一些无关核心内容的词，如：“但是我后面没开挂都被制裁”与“但是我后面没开挂都被制裁我就想不通了”。
备注：增加更多有标注的样本量、基于大规模数据训练的模型（如 BERT 等）二次训练、神经网络增加 attention、结合知识库等，都是一些优化的手段。
2. 语言模型在系统中的应用
理解用户说话的意思，我们分为了三层：第一层，是理解当前聊天处于哪一个话题，有没有切换话题；第二层，是理解具体的内容，含有意图与实体；第三层，是理解当前发言的情感，跟踪用户的情绪变化。
1） 话题模型（Topic 模型）
在我们系统中，它是一个分类模型，与后面的应答引擎是有对应的关系，根据不同的话题，进入不同的业务流程，所以模型的标签的业务的分类。
2） 意图理解（Act-Slot 模型、Value 模型）
- Act-Slot 模型
在我们系统中，它是一个多标签模型，相同一句话，不同的角度，有不同的理解。所以，模型的标签是意图与实体类型，如下图的“inform,QQ”。
例如，在具体的项目中，我们定义了：
- Value 模型
在我们系统中，获取到用户发言的 Act-Slot 之后，根据 Act-Slot 的意图，得到其相对应的实体值。总共设计了三种方法以获取不同类型的 Value，方法如下：
- 正则表达式：如抽取时间、等级等有一定格式的实体。
- 词库对比：如安图恩等游戏专有词汇。
- LSTM 模型：当句式中不明显表达实体时，将通过模型分到 6 类中：
- ENV：涉及到电脑环境相关信息。
- MAPID：涉及到地图相关信息。
- ROLE：涉及到角色相关信息。
- TEAM：涉及到组队相关信息。
- LOGIN：涉及到登录相关信息。
- EQUIP：涉及到装备相关信息。
备注：并非所有聊天机器人都这么设计，有些系统会把意图作为一个模型，实体与 value 作为一个模型。
3） 情感模型
在我们系统中，它是一个分类模型，把用户的发言分为了以下几种不同级别的情绪（标签）：脏话、生气、平和、赞扬。
应答引擎
1. 定义业务描述语言
为了能快速接入各种服务，基于 XML 描述语言，定义了一套业务流程的描述语言。总共分为三层，最底层是基础流程控制单元，如分支 if、循环 while、顺序 sequence、并行 parallel；第二层，是每个话题都需要的通用组件，如询问 QQ 号、游戏名、情绪安抚等；最顶层是具体的业务应用服务，如装备找回流程、被盗处理流程等。
例子：获取 QQ 号与大区号流程。
2. 业务流程控制引擎
如下图所示，有 Task1 到 Task5，共 5 个业务流程（业务应用），这些业务流程可以使用上述描述语言刻画出来。而下图中涉及到的为上述语言的解析过程。
话题切换监听器：作为旁路分类模型，用于跟踪聊天话题的切换。以用户发言为输入，输出 1、2、3、4、5，分别代表 Task1，Task2 …. Task5。（用户每次输入，都会有一次判断，反映话题是否有变化与切换到哪一个 Task）
会话信息：表示在对话当抽取出来的上下文信息，局部信息表示在本 Task 可见，全局信息表示所有 Task 可见。
状态：表示 Task 运行状态。而流程中断的位置，并非所有位置都可以中断，如下图标记红点的是可被中断（当运行到有标记红的地方，就会请求“话题切换监听器”，当前是否有话题变化）。
- 挂起：表示当前流程暂停（如下图，P2 表示 Task1 中的第二个点挂起）
- 未激活：“-”表示该 Task 没有启动过。
- 激活：Running 表示正处于该 Task 的流程中。
- 结束：Close 表示该 Task 已结束。
备注：每一个红点的地方，都可能由于用户发言导致切换到另一个 Task 流程中。会话开始时，会根据“起始问题识别”，得到需要走哪一个 Task，作为起始 Task。在起始 Task 流程中，如果遇到红点的地方，并且话题切换监听到需要转到另外的 Task，刚切换到新的 Task 流程，新流程走完后再回到切换话题的断点处，继续原流程一直走完。
3. 一个业务流程例子
例子：假设有四个业务流程 Task，每个流程都根据流程控制单元画出相应的流程图。
- Task1 为“处罚查询”流程。
- Task2 为“处罚申诉”流程。
- Task3 为“修改密码”流程。
- Task4 为“实名验证”流程。
备注：每个 Task 都可以单独由“起始问题识别”触发，也可以如下例子嵌套对话。
TP 小天
对话是一种比网页或 APP 更自由的表达形式，用户有了主动表达诉求的空间，可以实现有别于网页或 APP 的一些特殊功能：用户安全教育、舆论监控、信息收集。
根据上述的机器人设计方法，我们设计了 TP 小天，用户可以通过游戏安全中心公众号，咨询游戏安全相关的信息。如下图所示，已经接入了处罚查询、申诉、举报、帐号冻结等游戏安全功能与话题。
在实战中，一个可运营的聊天机器人，还会涉及到很多其它的内容，如何提升语义理解的丰富性、大样本推荐标注、FAQ 应答、快速可配置修正、对话生成多样性、闲聊等等。
本文转载自公众号云加社区（ID：QcloudCommunity）。
原文链接：
评论