智能客服对话系统常见构建方式
来源： 时间：2023-01-10
智能客服系统，问题和答案都比较固定，背后常常与知识库挂钩。甚至可以将问答系统理解成是用对话的方式快速检索使用文档中的 frequently asked question (FAQ)。 在问答场景中，用户明确地知道与之对话的不是真人，因此也不会使用复杂的对话结构，主要以单轮对话的形式呈现，用户占主导。
聊天场景指的是像人一样与人交谈，在聊天场景中，对话系统面对的挑战与前二者相比要复杂很多，如自然语言理解能力、记忆能力、知识面，甚至语气、性格等等，但它提供的对话体验也最接近与真人交谈。
意图 (Intent)：意图是系统能够识别的最小的用户目的，是系统决策的基本元素之一。只有在识别用户发言背后的含义后，机器人才能决定回复什么。剧本中的每一章节由用户意图的识别和机器人采用的回答构成。从发言的角度出发，意图约等价于发言中的动词。如「下周我要飞去上海」中的「飞」就是意图。
实体/槽值/槽位填充物 (Entity/Slot value/Slot filler)：实体和领域息息相关，如票据这样的实体几乎不会出现在点餐机器人系统中；有些实体则比较通用，比如时间、地点、数字等等。和领域相关的实体需要单独定义，通用实体则可以由平台统一支持。
槽位 (Slot)：盛放实体/槽值信息的容器为槽位，信息本身为槽位填充物 (slot filler)。想象填写一张表格，表中的每个空就是槽位，填写的内容就是槽位填充物。 槽位和实体的区别是什么？ 实体指的是从单句发言中提取到的信息，而槽位存储整个会话过程中提取到的所有信息，前者是后者的数据来源，槽位存储的信息会被用于后续对话系统决策的过程中。
智能客服系统想要其智能，其核心在于对话系统是否敏感。那么对话系统有哪些构建方式呢？
1、基于规则的对话系统
优点：
1）开发速度快、成本低、易集成
2）行为稳定、可解释，安全可控风险小
3）能发送多媒体信息、图片、视频 推理时间短、速度快
缺点：
1）维护成本高，需要人工维护规则和优先级，复杂度高了以后难以管理
2）不具备自然语言理解能力，同义语句无法触类旁通，需要穷举规则
3） 新增语言支持成本高
2、基于语料的对话系统
优点：
1）系统维护成本低，训练完后无需其它维护成本
2）具备自然语言理解能力，能识别同义语句的不同表达
3） 新增语言支持成本低，因为开源社区中已存在不同自然语言预训练好的特征提取工具
缺点：
1） 开发周期长、成本高、需要大量训练数据
2.）训练数据问题可能导致系统行为不稳定，风险不可控，garbage in garbage out 线上模型推理时间长，占用资源多
3）不支持多媒体消息，只能发送文本或文本合成的语音
3、混合型对话系统
将基于规则和基于语料的方案融合。一个典型的例子：使用统计模型做句子中的内容提取，对话行为识别，使用规则生成回答。这种做法既可以保持对内容的语义级别理解，又能够控制回答的风险，避免生成行为的不稳定。
优点：
1） 规则和语料训练的模型可以互补：加入了规则进行约束，相比纯语料模型更可控
2）相比规则模型具有一定的自然语言理解能力，可能可以面对一些规则无法cover的问题
缺点：
1）规则和语料训练的模型冲突的情况可能影响会话。
2）规则和模型的trade-off
在实际生产环境中，用的更多的是“意图型”机器人。这类机器人首先会通过引导语来引导客户说出想要办理的事务。由于客户的说法五花八门，这时，设计者就需要为“意图”罗列各种“说法”。只要用户的“说法”满足了预先定义的规则，就认为客户的说法命中这个“意图”。
举个例子，电话机器人会先说出欢迎词，然后提示客户：“您可以查询天气或者查询航班”。这时客户可能会说“我想查一下长沙的天气”，也可能会说“看一下明天的天气怎么样？”，电话机器人都认为客户的意图是“查天气”。
知道了客户的意图后，就需要用“填槽”技术来收集处理这个“意图”所需要的信息项（称之为“槽位”）。
还是以“查天气”这个意图为例，通常情况下，我们至少需要知道时间和城市，所以就有了“时间”、“城市”二个槽位需要填充。如果用户问话是“我想查一下长沙的天气”，这时“城市”槽位已经填充，但是缺少“时间”信息。这时我们就可以用到填槽中的“反问”技术，询问“您想查询哪一天的天气？”，从而引导客户提供时间信息。
使用“意图”和“填槽”技术，就能够有针对性地收集所需要的信息，以便完成下一步的操作，最终实现查询、咨询、下单等类型的电话机器人服务任务。
聊天场景指的是像人一样与人交谈，在聊天场景中，对话系统面对的挑战与前二者相比要复杂很多，如自然语言理解能力、记忆能力、知识面，甚至语气、性格等等，但它提供的对话体验也最接近与真人交谈。
意图 (Intent)：意图是系统能够识别的最小的用户目的，是系统决策的基本元素之一。只有在识别用户发言背后的含义后，机器人才能决定回复什么。剧本中的每一章节由用户意图的识别和机器人采用的回答构成。从发言的角度出发，意图约等价于发言中的动词。如「下周我要飞去上海」中的「飞」就是意图。
实体/槽值/槽位填充物 (Entity/Slot value/Slot filler)：实体和领域息息相关，如票据这样的实体几乎不会出现在点餐机器人系统中；有些实体则比较通用，比如时间、地点、数字等等。和领域相关的实体需要单独定义，通用实体则可以由平台统一支持。
槽位 (Slot)：盛放实体/槽值信息的容器为槽位，信息本身为槽位填充物 (slot filler)。想象填写一张表格，表中的每个空就是槽位，填写的内容就是槽位填充物。 槽位和实体的区别是什么？ 实体指的是从单句发言中提取到的信息，而槽位存储整个会话过程中提取到的所有信息，前者是后者的数据来源，槽位存储的信息会被用于后续对话系统决策的过程中。
智能客服系统想要其智能，其核心在于对话系统是否敏感。那么对话系统有哪些构建方式呢？
1、基于规则的对话系统
优点：
1）开发速度快、成本低、易集成
2）行为稳定、可解释，安全可控风险小
3）能发送多媒体信息、图片、视频 推理时间短、速度快
缺点：
1）维护成本高，需要人工维护规则和优先级，复杂度高了以后难以管理
2）不具备自然语言理解能力，同义语句无法触类旁通，需要穷举规则
3） 新增语言支持成本高
2、基于语料的对话系统
优点：
1）系统维护成本低，训练完后无需其它维护成本
2）具备自然语言理解能力，能识别同义语句的不同表达
3） 新增语言支持成本低，因为开源社区中已存在不同自然语言预训练好的特征提取工具
缺点：
1） 开发周期长、成本高、需要大量训练数据
2.）训练数据问题可能导致系统行为不稳定，风险不可控，garbage in garbage out 线上模型推理时间长，占用资源多
3）不支持多媒体消息，只能发送文本或文本合成的语音
3、混合型对话系统
将基于规则和基于语料的方案融合。一个典型的例子：使用统计模型做句子中的内容提取，对话行为识别，使用规则生成回答。这种做法既可以保持对内容的语义级别理解，又能够控制回答的风险，避免生成行为的不稳定。
优点：
1） 规则和语料训练的模型可以互补：加入了规则进行约束，相比纯语料模型更可控
2）相比规则模型具有一定的自然语言理解能力，可能可以面对一些规则无法cover的问题
缺点：
1）规则和语料训练的模型冲突的情况可能影响会话。
2）规则和模型的trade-off
在实际生产环境中，用的更多的是“意图型”机器人。这类机器人首先会通过引导语来引导客户说出想要办理的事务。由于客户的说法五花八门，这时，设计者就需要为“意图”罗列各种“说法”。只要用户的“说法”满足了预先定义的规则，就认为客户的说法命中这个“意图”。
举个例子，电话机器人会先说出欢迎词，然后提示客户：“您可以查询天气或者查询航班”。这时客户可能会说“我想查一下长沙的天气”，也可能会说“看一下明天的天气怎么样？”，电话机器人都认为客户的意图是“查天气”。
知道了客户的意图后，就需要用“填槽”技术来收集处理这个“意图”所需要的信息项（称之为“槽位”）。
还是以“查天气”这个意图为例，通常情况下，我们至少需要知道时间和城市，所以就有了“时间”、“城市”二个槽位需要填充。如果用户问话是“我想查一下长沙的天气”，这时“城市”槽位已经填充，但是缺少“时间”信息。这时我们就可以用到填槽中的“反问”技术，询问“您想查询哪一天的天气？”，从而引导客户提供时间信息。
使用“意图”和“填槽”技术，就能够有针对性地收集所需要的信息，以便完成下一步的操作，最终实现查询、咨询、下单等类型的电话机器人服务任务。
当然，一个完整的电话机器人，需要用到电话交换、语音识别、语音合成、话术交互等多方面的技术。如果不想专注那么多细节，集成商也可以直接使用中间层产品，例如朗深电话AI中间件等，这些产品都提供了丰富的接口，可以帮助集成商快速将电话机器人集成到自己的业务应用。