智能客服方案及技术架构.pptVIP

KG：知识图谱 问题解决型 实现技术 解决方案 架构及开发流程 小Y（智能机器人） 问题解决型机器人 问题解决型机器人，存在的目的是为了帮用户解决具体问题， 例如：售前咨询、售后报修、订机票、酒店、餐厅座位等等 需要提供给用户自己都不知道的信息--知识库 1.理解用户问题，知道用户在问什么 2.将用户的问题转化为对知识库的查询 问题理解 查询知识库 构建知识库查询 多轮对话的上下文管理 提问：今天北京多少度啊？ 回答：35度 提问：有雾霾吗？ （北京有雾霾吗？） 回答：空气质量优。 提问：那上海呢？（上海有雾霾吗？） 回答：空气质量也是优。 结合上下文 聊天机器人解决方案 自然语言处理、文本挖掘、知识图谱 知识库中存储的是一对对的“问题-答案”对（QA Pair）。这些Pair可以是人工构建的，源于客户系统或者旧有知识库的，也可以是从互联网上爬取下来的。当用户输入问题后，将其和知识库现有的标准问题进行一一比对，寻找与用户问题最相近的标准问题，然后将该问题组对的答案返回给用户。 用户问题-标准问题-答案 解决方案一 用户问题-标准问题的匹配方法可以是关键词匹配（包括正则表达式匹配）；也可以是先将用户问题和标准问题都转化为向量，再计算两者之间的距离（余弦距离、欧氏距离、交叉熵、Jaccard距离等），找到距离最近且距离值低于预设阈值的那个标准问题，作为查找结果。 但关键字匹配覆盖面太小。距离计算的话，在实践中比对出来的最近距离的两句话，可能在语义上毫无关联，甚至满拧（比如一个比另一个多了一个否定词） “关键词” 解决方案二 知识库中存储的不是问题-答案对，而仅存储答案（文档）。 当接收到用户问题后，直接拿问题去和知识库中的一篇篇文档比对，找到在内容上关联最紧密的那篇，作为答案返回给用户。 用户问题-答案 解决方案三 从用户的问题当中识别出用户的意图，并抽取这个意图针对的实体。 相应的，知识库内存储的知识，除了包含知识内容本身之外，还应该在结构上能够表示知识之间的关联关系。 在提取了意图和实体后，构造出对知识库的查询（Query），实施查询，得出结果后生成回答，回复给用户。 用户问题-语义理解-知识库查询-查询结果生成答案 聊天机器人实现技术 语义理解NLU 意图识别 实体抽取 用来识别用户所提问题的意图，也就是用户希望做一件什么事 用于提取用户对话中所提供的和意图相关的参数(实体)，例如时间、地点等 Case1：有粉色的手机壳吗？—— 意图：商品推荐；实体：商品类型-手机，商品颜色-粉色 。 Case2：00183号商品快递到伊犁邮费多少？—— 意图：查询邮费；实体：目的地-伊犁，商品Id-00183。 Case3：02465号商品有保修吗？——意图：保修查询；实体：商品Id-02465。 举个例子，小明是一家小淘宝店主，他要为自己的淘宝店开发一款客服机器人，主要回答和商品属性（品牌、价格、邮费、售后等）相关的问题。 Case2’：00183号商品快递到伊犁邮费多少？—— 意图：商品查询；实体：目的地-伊犁，商品Id-00183，商品属性-邮费。 Case3’：02465号商品有保修吗？——意图：商品查询；实体：商品Id-02465，商品属性-保修。 具体怎么定义，要与知识库的结构及中间控件（语义理解+对话管理）结合起来决定，怎么简单怎么来 意图识别-分类模型 分类模型和 seq2seq 判别模型的训练都属于有监督学习，因此，所有的训练数据都是标注数据。 因此，在进入训练阶段前必须要经过一个步骤：人工标注。 如果大家真的在工作中应用机器学习，标注就是无法逾越的脏活累活。 实体抽取-Seq2Seq判别模型 人工标记 语料(Utterance) 意图(Intent) [00183]{商品Id}号商品快递到[伊犁]{目的地}[邮费]{商品属性}多少？ 商品查询 [02465]{商品Id}号商品有[保修]{商品属性}吗？ 商品查询 订[一张]{数量}[2018.12.1]号{时间}[北京]{出发地}到[南京]{目的地}的机票 订机票 知识库、知识查询和结果返回 知识库用于存储知识，本身可以是各种形式：数据库，API，或者文本文件等。用户的问题经过语义理解，被提取成了意图和若干实体。 知识库类型 构造查询 回答生成 关系型数据库 根据意图和实体，确定tabmeName,where条件，和目标column等要素，构建SQL Query 将SQL Query的结果填注到答案模板中，生成回答问题的自然语言 API 根据意图和实体，确定要调用的API类型和参数，构造Http Request 将API返回的结果填注到答案模板中，生成回答问题的自然语言 文本文件(json/xml等) 根据意图和实体，确定对应的文件路径和对其中