多轮对话机器人打造(上篇):着手设计

阅读数:38 2019 年 11 月 5 日 17:07

多轮对话机器人打造(上篇):着手设计

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。

多轮对话机器人打造(上篇):着手设计

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)。

多轮对话机器人打造(上篇):着手设计

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。

多轮对话机器人打造(上篇):着手设计

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。

多轮对话机器人打造(上篇):着手设计

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。

多轮对话机器人打造(上篇):着手设计

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”。

多轮对话机器人打造(上篇):着手设计

例如,在具体的项目中,我们定义了:

多轮对话机器人打造(上篇):着手设计

  • 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。

多轮对话机器人打造(上篇):着手设计

例子:获取 QQ 号与大区号流程。

多轮对话机器人打造(上篇):着手设计

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。

多轮对话机器人打造(上篇):着手设计

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。

多轮对话机器人打造(上篇):着手设计

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。

多轮对话机器人打造(上篇):着手设计

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:

https://mp.weixin.qq.com/s/36MbN7E1_8A7ODfMrZpPAA

评论

发布