科技改变生活 · 科技引领未来
科技改变生活 · 科技引领未来
编辑导语：随着科技的进步和普及，AI 产品逐渐走进了大众的视野，从手机语音助手到各类智能音箱，AI 技术不仅方便了我们的生活，还逐渐改变了我们的习惯。本文作者在做了20+个AI多轮对话项目后，为我们总结了这篇文章。
在AI走进大众视野的这几年，我们或多或少的都会接触到一些AI的产品，你去咨询天猫客服，一开始肯定是个机器人接待你的；你接到一个电话问你是否需要买保险、办信用卡或贷款，可能对方就是一个机器人；当然最常见的就是智能音箱。
以天猫精灵为例：
看起来很不错的样子，但是如果用户接着说“帮我换成新裤子的《没有理想的人不悲伤》”。
不好意思，这时天猫精灵是不会响应你的。因为天猫精灵在上一轮回复完用户的话之后，就结束了对话。想要再次跟她对话，必须喊“天猫精灵”再次唤醒后，才能继续对话。
以上这种每次只能进行一轮对话的模式，我们称之为“单轮对话”。其实目前大多数机器人都是单轮对话的模式。比如说闲聊：
这里可能你又会问了，这不是连续的对话吗，怎么会是单轮呢？
是的，因为这些对话，每一轮之间都是相互独立，上下文之间没有关联关系，我们暂时称之为单轮对话。与单轮对话相对的概念是多轮对话。
举例：
是的，这就是多轮对话，也是本文主要讨论的内容。如果说NLP是AI界皇冠上的明珠，那么多轮对话就是NLP界皇冠上的明珠。由此可见多轮的话的江湖地位。
由上面例子，跟单轮对话的对比，引出了对多轮对话的定义。
定义：根据上下文内容，进行连续的，以达到解决某一类特定任务为目的的对话。
这里有3点：
多轮对话跟机器人的关系图：
通常来说，一个全能型的对话机器人是由很多个类型的机器人组成的，比如说闲聊机器人、任务机器人、问答机器人。而一个任务机器人内又可以包含多个多轮。
那怎么来实现多轮对话呢？市面上各大厂家的做法是开发一个用于构建多轮对话的平台。有了这样的平台，你就可以构建出你想要的对话流程。
多轮比较擅长处理的两类经典任务：
如果把多轮对话比作一辆汽车的话，那多轮对话平台就是一个组装车间，底层的各类AI工具，就相当于汽车的零部件，因此我们可以在对轮对话平台内，用各种的工具，来组装出你想要的对话逻辑。
这里你可能想说，这个哪里智能了，不就是我们实现定义好的流程吗？是的，它确实并没有你想象中的那么智能，没有你想象中的那样通过大量的数据就能自己学习出一个流程，也没你想象中的那样机器可以自己生成新的答复话术。
但是它确实能解决很多工业上的问题，特别是一些比较固定的流程，比如说：
这些固化的流程完全可以用机器人来完成，大大减少人力成本。相比于人，机器人可以一天24小时，同一时间多线路给多个人拨打电话。
1）进入多轮对话任务的条件
比如识别到有订票的意图，则进入到订机票的多轮对话任务中；也可以通过关键字、指令等方式进入到多轮对话任务中。
2）机器人的应答话术
即用户的每一个动作（query），机器人应该用什么话术去应答。
目前任务类型的对话通常话术都是预设的，基本不会是生成式的。因为任务性对话容错率很低，宁可答不上，也不能答错。生成式的应答话术，更多是在闲聊机器人中，因为闲聊容错率相对比较高。
3）流程流转条件的设置（if）
4）满足条件执行动作的设置（then）
条件设置和动作设置是整个流程的核心思想，整个对话流程都是按：如果条件是什么…那么执行什么动作…的格式设置。
5）退出多轮对话任务的条件
最后，这个对话肯定是不能永远继续下去的，需要设置结束对话的条件，比如说常见的有以下几种情况：
按另外一个维度，可以把多轮对话分为流程和解析工具。
1）流程–就是设定的流转规则，如是什么，那就做什么
（如下图，如果是肯定回复那就跳转到A节点，如果是否定回复就跳转到B节点）这一块跟AI没有什么关系。
2）解析工具–理解用户说的话是什么
（如上图，如果用户说“我是他妈妈”，机器人怎么知道这是属于否定回复，这就是解析工具要做的事情），也是整个多轮对话的核心。
解析工具主要分类两大类：信息收集、文本分类。
1）信息收集
收集信息的方式主要有两种：对话里收集、对话外收集。
2）文本分类
对话中的文本分类，通常又分为两大类：有较完整的句子结构类文本、超短文本。
除了是否有句子结构外，两类型的文本分类解析工具的应用场景也不一样。有句子结构类文本解析工具，是全局的应用。比如说“我要转人工服务”，可以做出一个意图，不管在流程的哪个节点，用户表达了这样的意图，都可以识别。
超短文本类解析工具，是局部应用的，是强依赖上线文的。比如说用户单独说一句“不是的”，如果没有上下文，是没有意义的。
机器问“请问您是深户吗”，用户可以回复“不是的”；
机器问“请问您是深圳高校学生吗”，用户可以回答“不是的”；
因此同样“不是的”，在不同的地方表达的意思是不一样的，只有联系上文，才能确定明确的含义。
解析工具直接决定了多轮对话平台能力的上限，而决定解析工具能力又可以分为两层：基础技术层、产品层。
1）例子1
问在哪里出发后，我们往往会调用一个地址解析器来解用户接下来说的话，用户回复“深圳明天会下雨吗”，这时会抽到地址【深圳】，那机器人就理解为出发地是【深圳】了。
解析器确实没有问题，解出了地址【深圳】，但是解出的地址是不是符合上文需要填充的槽位，这时机器人就无能为力了，因为解析器只管解析，不管业务。
2）例子2
问是几月份，我们往往会在这个时候调用一个时间解析器来解用户接着说的话，用户只回复“8”，这时时间解析器解不出结果，因为时间解析器只能解“8月”、“8号”等等这个带单位的时间。纯说一个数字，机器人就懵掉了。
从上面两个例子就可以看出，解析工具跟实际应用场景的隔阂，导致了运用起来不够灵活，主要矛盾点体现在：
举例：
还是以上面例子为例，首先来了解几个概念：
ok，了解了上面的概念之后，我们再回过来看这个例子。
用户说了：深圳明天会下雨吗？
会有两个解析工具解到结果，假设地址解析工具得到的信心分是90分，意图解析工具解到的【查天气】意图的信心分也是90，但是由于地址解析工具属于主流程，优先级高于查天气意图，因此机器人最后选择的是前者。因此机器人的动作是把【深圳】当作了出发地填入槽位。
因此，从这里可以看到有两个问题：
这里先理清一对概念：
举例：
机器人的话术已经被事先死死的设定了，问完问题1，就问问题2。没有根据用户的话做出一些反馈，就会显得很生硬。
假设能这样：
这样不但能对用户的回答做出响应，还根据用户前面说的话来调整问题2的问法。这就是非生成式回答无法达到的效果，这也是机器人比较死板的原因。
举例：
还记得她吗，在采访中她说“我已经用了洪荒之力了”。如果你只看文字，你能理解她里面所表达的是满意的情绪吗？
正常人与人的对话，一般会根据语调、文字、表情、动作等维度，组合起来理解对话所表达的内容。但是目前大多数的多轮对话平台都是只以【文字】单一维度来做解析处理，即使很多平台都亮出了自己在ASR环节的情绪理解有多么强大，但真正跟多轮平台运用起来是隔离开的，训练数据只是转译成文本的形式训练，而不是直接拿语音去训练。
不同语气的“呵呵”，表达的意思是不一样，有的是开心，有的是讽刺。如果丢失了语调的维度，那解析的结果肯定是会失真的。
在以用户体验为王的时代，如果你操作一个软件或APP，你还要看它的说明书，甚至看了说明书还不会操作，那你肯定会疯掉。
没错，多轮对话操作平台就是一个看了说明说还不会用平台，通常需要经常专业的培训才会使用，因此是有很高的使用门槛的，而且逻辑能力不好人，还真做不来。
除了操作门槛高，后续的优化也不灵活。不是说像我们想象中的那么简单，加点数据，标注下就能解决的。比如说机器人询问：你是马先生吗？
你一开始想到的用户可能的回答是两类：肯定回复（是的、我是）、否定回复（不是、打错了）。但是上线后，你会发现还有很多类型的回复：中性回复【怎么啦、你说】、式有关系人【我是他老婆、我是他儿子】、反问【你是谁呀、是机器人吧你】
每增加一个分类，就要重新在流程图里增加分支，从新设定规则等等，并非直接加点数据重新训练就能解决问题了。
前面大篇幅讨论了，目前多轮对话平台的核心是解析工具，因此我觉得未来的优化方向也是在解析工具上面，比如说：
目前的做法是对话流程、对话分支是由人工搭建的，这种方式对数据的利用率是非常低的。只是根据对话记录，人为整理出对话流程，而对话之间的上下文关系是不参与到模型训练的。机器人不会随着人机对话量的增加而变得更加聪明。
未来的优化方向一定是最大化的利用数据，比如说通过给机器输入大量的对话记录，机器能够学习出对话之间的逻辑关系，然后自己能学习出一个对话流程。
最后，用一句话总结下目前的多轮对话平台：在解决固定化流程的问题上，确实能降低人力成本，但是对话比较死板，要想做到向人与人之间的自然交流，还有很长的路要走。
AI人，一起加油吧！
本文由 @Jimmy 原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自Unsplash，基于CC0协议。