01 智能人機交互領(lǐng)域的介紹

1.1 行業(yè)分類及目前的應(yīng)用狀況

在全球人工智能領(lǐng)域不斷發(fā)展的今天，包括Google、Facebook、Microsoft、Amazon、Apple等互聯(lián)公司相繼推出了自己的智能私人助理和機器人平臺。

智能人機交互通過擬人化的交互體驗逐步在智能客服、任務(wù)助理、智能家居、智能硬件、互動聊天等領(lǐng)域發(fā)揮巨大的作用和價值。因此，各大公司都將智能聊天機器人作為未來的入口級別的應(yīng)用在對待。今天隨著市場的進一步發(fā)展，聊天機器人按照產(chǎn)品和服務(wù)的類型主要可分為：客服，娛樂，助理，教育，服務(wù)等類型。

圖1截取了部分聊天機器人。

圖1：一些chat-bot的匯總

1.2 阿里小蜜在電商領(lǐng)域的狀況

2015年7月，阿里推出了自己的智能私人助理-阿里小蜜，一個圍繞著電子商務(wù)領(lǐng)域中的服務(wù)、導(dǎo)購以及任務(wù)助理為核心的智能人機交互產(chǎn)品。通過電子商務(wù)領(lǐng)域與智能人機交互領(lǐng)域的結(jié)合，帶來傳統(tǒng)服務(wù)行業(yè)模式的變化與體驗的提升。

在去年的雙十一期間，阿里小蜜整體智能服務(wù)量達到643萬，其中智能解決率達到95%，智能服務(wù)在整個服務(wù)量(總服務(wù)量=智能服務(wù)量+在線人工服務(wù)量+電話服務(wù)量)占比也達到95%，成為了雙十一期間服務(wù)的絕對主力。

02 電商領(lǐng)域下阿里小蜜的技術(shù)實踐

2.1 阿里小蜜技術(shù)的overview

智能人機交互系統(tǒng)，俗稱：chatbot系統(tǒng)或者bot系統(tǒng)。圖2是人機交互的流程圖：

圖2：人機交互的流程

核心是NLU(自然語言理解)，通過對話系統(tǒng)處理后，最后通過自然語言生成的方式給出答案。一段語言如何理解對于計算機來說是非常有難度的，例如：“蘋果”這個詞就具備至少兩個含義，一個是水果屬性的“蘋果”，還有一個是知名互聯(lián)網(wǎng)公司屬性的“蘋果”。

2.1.1 意圖與匹配分層的技術(shù)架構(gòu)體系

在阿里小蜜這樣在電子商務(wù)領(lǐng)域的場景中，對接的有客服、助理、聊天幾大類的機器人。這些機器人，由于本身的目標不同，就導(dǎo)致不能用同一套技術(shù)框架來解決。因此，我們先采用分領(lǐng)域分層分場景的方式進行架構(gòu)抽象，然后再根據(jù)不同的分層和分場景采用不同的機器學(xué)習方法進行技術(shù)設(shè)計。首先我們將對話系統(tǒng)從分成兩層：

1、意圖識別層：識別語言的真實意圖，將意圖進行分類并進行意圖屬性抽取。意圖決定了后續(xù)的領(lǐng)域識別流程，因此意圖層是一個結(jié)合上下文數(shù)據(jù)模型與領(lǐng)域數(shù)據(jù)模型不斷對意圖進行明確和推理的過程；

2、問答匹配層：對問題進行匹配識別及生成答案的過程。在阿里小蜜的對話體系中我們按照業(yè)務(wù)場景進行了3種典型問題類型的劃分，并且依據(jù)3種類型會采用不同的匹配流程和方法：

問答型：例如“密碼忘記怎么辦？”→ 采用基于知識圖譜構(gòu)建+檢索模型匹配方式

任務(wù)型：例如“我想訂一張明天從杭州到北京的機票”→ 意圖決策+slots filling的匹配以及基于深度強化學(xué)習的方式

語聊型：例如“我心情不好”→ 檢索模型與Deep Learning相結(jié)合的方式

圖3表示了阿里小蜜的意圖和匹配分層的技術(shù)架構(gòu)。

圖3：基于意圖于匹配分層的技術(shù)架構(gòu)

2.1.2 意圖識別介紹：結(jié)合用戶行為deep-learning模型的實踐

通常將意圖識別抽象成機器學(xué)習中的分類問題，在阿里小蜜的技術(shù)方案中除了傳統(tǒng)的文本特征之外，考慮到本身在對話領(lǐng)域中存在語義意圖不完整的情況，我們也加入了用實時、離線用戶本身的行為及用戶本身相關(guān)的特征，通過深度學(xué)習方案構(gòu)建模型，對用戶意圖進行預(yù)測, 具體如圖4：

圖4：結(jié)合用戶行為的深度學(xué)習意圖分類

在基于深度學(xué)習的分類預(yù)測模型上，我們有兩種具體的選型方案：一種是多分類模型，一種是二分類模型。多分類模型的優(yōu)點是性能快，但是對于需要擴展分類領(lǐng)域是整個模型需要重新訓(xùn)練；而二分類模型的優(yōu)點就是擴展領(lǐng)域場景時原來的模型都可以復(fù)用，可以平臺進行擴展，缺點也很明顯需要不斷的進行二分，整體的性能上不如多分類好，因此在具體的場景和數(shù)據(jù)量上可以做不同的選型。

小蜜用DL做意圖分類的整體技術(shù)思路是將行為因子與文本特征分別進行Embedding處理，通過向量疊加之后再進行多分類或者二分類處理。這里的文本特征維度可以選擇通過傳統(tǒng)的bag of words的方法，也可使用Deep Learning的方法進行向量化。具體圖：

圖5：結(jié)合用戶行為的深度學(xué)習意圖分類的網(wǎng)絡(luò)結(jié)構(gòu)

2.1.3 匹配模型的overview：介紹行業(yè)3大匹配模型

目前主流的智能匹配技術(shù)分為如下3種方法：

1、基于模板匹配(Rule-Based)

2、基于檢索模型(Retrieval Model)

3、基于深度學(xué)習模型(Deep Learning)

在阿里小蜜的技術(shù)場景下，我們采用了基于模板匹配，檢索模型以及深度學(xué)習模型為基礎(chǔ)的方法原型來進行分場景(問答型、任務(wù)型、語聊型)的會話系統(tǒng)構(gòu)建。

2.2 阿里小蜜的3大領(lǐng)域場景的技術(shù)實踐

2.2.1 智能導(dǎo)購：基于增強學(xué)習的智能導(dǎo)購

智能導(dǎo)購主要通過支持和用戶的多輪交互，不斷的理解和明確用戶的意圖。并在此基礎(chǔ)上利用深度強化學(xué)習不斷的優(yōu)化導(dǎo)購的交互過程。圖6展示了智能導(dǎo)購的技術(shù)架構(gòu)圖。

圖6：智能導(dǎo)購的架構(gòu)圖

這里兩個核心的問題：

a）在多輪交互中理解用戶的意圖。

b）根據(jù)用戶的意圖結(jié)果，優(yōu)化排序的結(jié)果和交互的過程。

下面主要介紹導(dǎo)購意圖理解、以及深度增強學(xué)習的交互策略優(yōu)化。

2.2.1.1 智能導(dǎo)購的意圖理解和意圖管理

智能導(dǎo)購下的意圖理解主要是識別用戶想要購買的商品以及商品對應(yīng)的屬性，相對于傳統(tǒng)的意圖理解，也帶來了幾個新的挑戰(zhàn)。

第一，用戶偏向于短句的表達。因此，識別用戶的意圖，要結(jié)合用戶的多輪會話和意圖的邊界。

第二，在多輪交互中用戶會不斷的添加或修改意圖的子意圖，需要維護一份當前識別的意圖集合。

第三，商品意圖之間存在著互斥，相似，上下位等關(guān)系。不同的關(guān)系對應(yīng)的意圖管理也不同。

第四，屬性意圖存在著歸類和互斥的問題。

針對短語表達，我們通過品類管理和屬性管理維護了一個意圖堆，從而較好的解決了短語表示，意圖邊界和具體的意圖切換和修改邏輯。同時，針對較大的商品庫問題，我們采用知識圖譜結(jié)合語義索引的方式，使得商品的識別變得非常高效。下面我們分別介紹下品類管理和屬性管理。

基于知識圖譜和語義索引的品類管理

智能導(dǎo)購場景下的品類管理分為品類識別，以及品類的關(guān)系計算。下圖是品類關(guān)系的架構(gòu)圖。

圖7：品類管理架構(gòu)圖

品類識別：

采用了基于知識圖譜的識別方案和基于語義索引及dssm的判別模型。

a) 基于商品知識圖譜的識別方案：

基于知識圖譜復(fù)雜的結(jié)構(gòu)化能力，做商品的類目識別。是我們商品識別的基礎(chǔ)。

b) 基于語義索引及dssm商品識別模型的方案：

知識圖譜的識別方案的優(yōu)勢是在于準確率高，但是不能覆蓋所有的case。因此，我們提出了一種基于語義索引和dssm結(jié)合的商品識別方案兜底。

圖8：基于語義索引和dssm的商品識別方案

語義索引的構(gòu)造：

通常語義索引的構(gòu)造有基于本體的方式，基于LSI的方式。我們用了一種結(jié)合搜索點擊數(shù)據(jù)和詞向量的方式構(gòu)造的語義索引。主要包括下面幾步：

第一步：利用搜索點擊行為，提取分詞到類目的候選。

第二步：基于詞向量，計算分詞和候選類目的相似性，對索引重排序。

基于dssm的商品識別：

dssm是微軟提出的一種用于query和doc匹配的有監(jiān)督的深度語義匹配網(wǎng)絡(luò)，能夠較好的解決詞匯鴻溝的問題，捕捉句子的內(nèi)在語義。本文以dssm作為基礎(chǔ)，構(gòu)建了query和候選的類目的相似度計算模型。取得了較好的效果，模型的acc在測試集上有92%左右。

圖9：dssm模型的網(wǎng)絡(luò)結(jié)構(gòu)圖

樣本的構(gòu)造：訓(xùn)練的正樣本是通過搜索日志中的搜索query和點擊類目構(gòu)造的。負樣本則是通過利用query和點擊的類目作為種子，檢索出來一些相似的類目，將不在正樣本中的類目作為負樣本。正負樣本的比例1：1。

品類關(guān)系計算：

品類關(guān)系的計算主要用于智能導(dǎo)購的意圖管理中，這里主要考慮的幾種關(guān)系是：上下位關(guān)系和相似關(guān)系。舉個例子，用戶的第一個意圖是要買衣服，當后面的意圖說要買水杯的時候，之前衣服所帶有的屬性就不應(yīng)該被繼承給水杯。相反，如果這個時候用戶說的是要褲子，由于褲子是衣服的下位詞，則之前在衣服上的屬性就應(yīng)該被繼承下來。

上下位關(guān)系的計算2種方案：

a）采用基于知識圖譜的關(guān)系運算。

b）通過用戶的搜索query的提取。

相似性計算的兩種方案：

a）基于相同的上位詞。比方說小米，華為的上位詞都是手機，則他們相似。

b）基于fast-text的品類詞的embedding的語義相似度。

基于知識圖譜和相似度計算的屬性管理

下圖是屬性管理的架構(gòu)圖：

圖10：屬性管理架構(gòu)圖

整體上屬性管理包括屬性識別和屬性關(guān)系計算兩個核心模塊，思路和品類管理較為相似。這里就不在詳細介紹了。

2.2.1.2深度強化學(xué)習的探索及嘗試

強化學(xué)習是agent從環(huán)境到行為的映射學(xué)習，目標是獎勵信號(強化信號)函數(shù)值最大，由環(huán)境提供強化信號評價產(chǎn)生動作的好壞。agent通過不斷的探索外部的環(huán)境，來得到一個最優(yōu)的決策策略，適合于序列決策問題。圖11是一個強化學(xué)習的model和環(huán)境交互的展示。

圖11：env-model的交互圖

深度強化學(xué)習是結(jié)合了深度學(xué)習的強化學(xué)習，主要利用深度學(xué)習強大的非線性表達能力，來表示agent面對的state和state上決策邏輯。

目前我們用DRL主要來優(yōu)化我們的交互策略。因此，我們的設(shè)定是，用戶是強化學(xué)習中的env，而機器是model。action是本輪是否出主動反問的交互，還是直接出搜索結(jié)果。

狀態(tài)(state)的設(shè)計：

這里狀態(tài)的設(shè)計主要考慮，用戶的多輪意圖、用戶的人群劃分、以及每一輪交互的產(chǎn)品的信息作為當前的機器感知到的狀態(tài)。

state= ( intent1, query1, price1, is_click,query_item_sim, …, power, user_inter, age)

其中intent1表明的是用戶當前的意圖，query1表示的用戶的原始query。price1表示當前展現(xiàn)給用戶的商品的均價，is_click表示本輪交互是否發(fā)生點擊，query_item_sim表示query和item的相似度。power表示是用戶的購買力，user_inter表示用戶的興趣, age 表示用戶的年齡。

reward的設(shè)計：

由于最終衡量的是用戶的成交和點擊率和對話的輪數(shù)。因此reward的設(shè)計主要包括下面3個方面：

a) 用戶的點擊的reward設(shè)置成1

b) 成交設(shè)置成[1 + math.log(price + 1.0) ]

c) 其余的設(shè)置成0.1

DRL的方案的選型：

這里具體的方案，主要采用了 DQN， policy-gradient 和 A3C的三種方案。

2.2.2 智能服務(wù)：基于知識圖譜構(gòu)建與檢索模型的技術(shù)實踐

智能服務(wù)的特點：有領(lǐng)域知識的概念，且知識之間的關(guān)聯(lián)性高，并且對精準度要求比較高。

基于問答型場景的特點，我們在技術(shù)選型上采用了知識圖譜構(gòu)建+檢索模型相結(jié)合的方式來進行核心匹配模型的設(shè)計。

知識圖譜的構(gòu)建我們會從兩個角度來進行抽象，一個是實體維度的挖掘，一個是短句維度進行挖掘，通過在淘寶平臺上積累的大量屬于以及互聯(lián)網(wǎng)數(shù)據(jù)，通過主題模型的方式進行挖掘、標注與清洗，再通過預(yù)設(shè)定好的關(guān)系進行實體之間關(guān)系的定義最終形成知識圖譜。基本的挖掘框架流程如下：

圖12：知識圖譜的實體和短語挖掘流程

挖掘構(gòu)建的知識圖譜示例如圖13：

圖13：具體的知識圖譜的示例

基于知識圖譜的匹配模式具備以下幾個優(yōu)點：

(1) 在對話結(jié)構(gòu)和流程的設(shè)計中支持實體間的上下文會話識別與推理

(2) 通常在一般型問答的準確率相對比較高（當然具備推理型場景的需要特殊的設(shè)計，會有些復(fù)雜）

同樣也有明顯的缺點：

(1) 模型構(gòu)建初期可能會存在數(shù)據(jù)的松散和覆蓋率問題，導(dǎo)致匹配的覆蓋率缺失；

(2) 對于知識圖譜增量維護相比傳統(tǒng)的QA Pair對知識的維護上的成本會更大一些；

因此我們在阿里小蜜的問答型設(shè)計中，還是融入了傳統(tǒng)的基于檢索模型的對話匹配。

其在線基本流程分為：

(1) 提問預(yù)處理：分詞、指代消解、糾錯等基本文本處理流程；

(2) 檢索召回：通過檢索的方式在候選數(shù)據(jù)中召回可能的匹配候選數(shù)據(jù)；

(3) 計算：通過Query結(jié)合上下文模型與候選數(shù)據(jù)進行計算，通過我們采用文本之間的距離計算方式(余弦相似度、編輯距離)以及分類模型相結(jié)合的方式進行計算；

(4) 最終根據(jù)返回的候選集打分閾值進行最終的產(chǎn)品流程設(shè)計；

離線流程分為：

(1) 知識數(shù)據(jù)的索引化；

(2) 離線文本模型的構(gòu)建：例如Term-Weight計算等；

檢索模型整體流程如圖14：

圖14：檢索模型的流程圖

2.2.3 智能聊天：基于檢索模型和深度學(xué)習模型相結(jié)合的聊天應(yīng)用

智能聊天的特點：非面向目標，語義意圖不明確，通常期待的是語義相關(guān)性和漸進性，對準確率要求相對較低。

面向open domain的聊天機器人目前無論在學(xué)術(shù)界還是在工業(yè)界都是一大難題，通常在目前這個階段我們有兩種方式來做對話設(shè)計：

一種是學(xué)術(shù)界非常火爆的Deep Learning生成模型方式，通過Encoder-Decoder模型通過LSTM的方式進行Sequence to Sequence生成，如圖15：

圖15：seq2seq網(wǎng)絡(luò)結(jié)構(gòu)圖

GenerationModel(生成模型)：

優(yōu)點：通過深層語義方式進行答案生成，答案不受語料庫規(guī)模限制

缺點：模型的可解釋性不強，且難以保證一致性和合理性回答

另外一種方式就是通過傳統(tǒng)的檢索模型的方式來構(gòu)建語聊的問答匹配。

RetrievalModel(檢索模型)：

優(yōu)點：答案在預(yù)設(shè)的語料庫中，可控，匹配模型相對簡單，可解釋性強

缺點：在一定程度上缺乏一些語義性，且有固定語料庫的局限性

因此在阿里小蜜的聊天引擎中，我們結(jié)合了兩者各自的優(yōu)勢，將兩個模型進行了融合形成了阿里小蜜聊天引擎的核心。先通過傳統(tǒng)的檢索模型檢索出候選集數(shù)據(jù)，然后通過Seq2Seq Model對候選集進行Rerank，重排序后超過制定的閾值就進行輸出，不到閾值就通過Seq2Seq Model進行答案生成，整體流程圖16：

圖16：小蜜的閑聊模塊

03 未來技術(shù)的發(fā)展與展望

目前的人工智能領(lǐng)域任然處在弱人工智能階段，特別是從感知到認知領(lǐng)域需要提升的空間還非常大。智能人機交互在面向目標的領(lǐng)域已經(jīng)可以與實際工業(yè)場景緊密結(jié)合并產(chǎn)生巨大價值，隨著人工智能技術(shù)的不斷發(fā)展，未來智能人機交互領(lǐng)域的發(fā)展還將會有不斷的提升，對于未來技術(shù)的發(fā)展我們值得期待和展望：

1、數(shù)據(jù)的不斷積累，以及領(lǐng)域知識圖譜的不斷完善與構(gòu)建將不斷助推智能人機交互的不斷提升；

2、面向任務(wù)的垂直細分領(lǐng)域機器人的構(gòu)建將是之后機器人不斷爆發(fā)的增長點，open domain的互動機器人在未來一段時間還需要不斷提升與摸索；

3、隨著分布式計算能力的不斷提升，深度學(xué)習在席卷了圖像、語音等領(lǐng)域后，在NLP(自然語言處理)領(lǐng)域?qū)^續(xù)發(fā)展，在對話、QA領(lǐng)域的學(xué)術(shù)研究將會持續(xù)活躍；

在未來隨著學(xué)術(shù)界和工業(yè)界的不斷結(jié)合與積累，期待人工智能電影中的場景早日實現(xiàn)，人人都能擁有自己的智能“小蜜”。

參考文獻：

[1] : Huang P S, He X, Gao J, et al. Learningdeep structured semantic models for web search using clickthrough data[C]// ACMInternational Conference on Conference on Information & KnowledgeManagement. ACM, 2013:2333-2338.

[2] Minghui Qiu and Feng-Lin Li. MeChat: A Sequence to Sequence andRerank based Chatbot Engine. ACL 2017

[3] Dzmitry Bahdanau, Kyunghyun Cho, and YoshuaBen- gio. 2015. Neural machine translation by jointly learning to align andtranslate. In Proceedings of ICLR 2015

[4]Matthew Henderson. 2015. Machine learning fordialog state tracking: A review. In Proceedings of The First InternationalWorkshop on Machine Learning in Spoken Language Processing.

[5] Mnih V, Badia A P, Mirza M, et al.Asynchronous Methods for Deep Reinforcement Learning[J]. 2016

[6] Li J, Monroe W, Ritter A, et al. DeepReinforcement Learning for Dialogue Generation[J]. 2016.

[7] Sordoni A, Bengio Y, Nie J Y. Learning concept embeddings for queryexpansion by quantum entropy minimization[C]// Twenty-Eighth AAAI Conference onArtificial Intelligence. AAAI Press, 2014:1586-1592.