精华内容
下载资源
问答
  • 零代码打造智能对话机器人 叶聪 AI技术专家 腾讯智能对话平台总架构师 || 零代码打造智能对话机器人 01 智能对话的前世今生 / 3min 02 智能对话从入门到放弃 / 1min 03 智能对话核心技术解析 / 5min 04 使用TBP零...
  • 原标题:智能对话机器人能应用在哪里?智能对话机器人的应用非常广泛,在参与企业工作流程中,常常以虚拟助手的形式提供服务。与传统信息系统和流程自动化工具不同, 有了AI大脑的加持,TA具有认知、理解、分析、...

    原标题:智能对话机器人能应用在哪里?

    智能对话机器人的应用非常广泛,在参与企业工作流程中,常常以虚拟助手的形式提供服务。与传统信息系统和流程自动化工具不同, 有了AI大脑的加持,TA具有认知、理解、分析、对话和执行任务的能力,是具备一定自我成长能力的工作伙伴。

    81e9aebd9eea805615831a077f327740.png

    目前,有很多智能对话机器人平台都提供企业服务,这些服务是如何实际应用的,下面以薄言信息的轻语虚拟助手平台为例,来讲一讲。

    0bde470c4cf8f3ea2fde3327abbcf0d7.png

    该平台结合了薄言信息独特的语义理解引擎和深度学习预训练技术,极大降低了门槛,企业用户完全无需编程,三步即可创建智能对话机器人(如何快速创建智能对话机器人?)。企业在拥有了自己的个性化智能对话机器人以后,可以应用到很多渠道:

    542c503acaace8fbd5f8ee19548fa003.png

    可以通过url、脚本、iframe等多种方式嵌入到桌面端和移动端网页。

    391d75fed0a6f4d8f64b6acba04087c0.png

    可以为钉钉用户提供的组织内部使用的机器人,为组织数字化转型业务服务。通过简单配置,用户便可将轻语bot绑定为钉钉企业机器人,并在钉钉群内使用机器人的能力。

    760d8b97ce3a2d8cb99944fecddc2124.png

    可以应用到微信公众号、小程序、企业微信、群机器人。

    ed69d313a8fe06b67bbab4ca1ded032f.png

    fcf88eefb4ff85e2137f94f13642e1a5.png

    对接Slack的强大功能,还可以做很多很酷的事情。

    36d26d05ea2d8efd23b72918639f98f9.png

    智能对话机器人的应用是非常广泛的,轻语虚拟助手平台可以帮助企业将前台、财务、HR、运营、客服、电销等岗位的员工从繁复的支持和解答中解放出来,让人类员工专注于高价值的创新性工作,为企业快速降本增效。返回搜狐,查看更多

    责任编辑:

    展开全文
  • 百度大脑智能对话引擎白皮书
  • 不同行业都有着不同的数据指标体系,本文作者对评估智能对话机器人的数据指标维度展开了梳理,与大家分享。如果你正负责一款智能对话机器人产品,不管是软件还是硬件,不管叫“小a”还是叫“小b”,总要遇到一个对于...

    编辑导语:当今人们已经进入到一个大数据时代,人们每天都在生产者各种各样的数据,这些数据又在不断被循环利用推动着行业和社会的进步。不同行业都有着不同的数据指标体系,本文作者对评估智能对话机器人的数据指标维度展开了梳理,与大家分享。

    62c75f0aba2404edac47e634f9799c45.png

    如果你正负责一款智能对话机器人产品,不管是软件还是硬件,不管叫“小a”还是叫“小b”,总要遇到一个对于产品本身好坏的衡量指标的难题。如果你是leader更要弄清楚到底怎么给做这款产品的下属制定OKR及考核指标。

    其实,当前多数对话机器人产品都还是一些长远战略布局的产品定位,既不能要求它达成百万千万的gmv,也不能要求它实现app那样的日活月活高留存。理解它的产品定位,理解当前你所在的对话机器人的领域,才能更清楚的去评判自家产品的好坏以及在竞品中的排名地位。

    智能对话机器人,或者有些公司会将其命名为“智能助理”“智能小助手”,多数是以“工具+闲聊”的组合方式出现的,因此通常支持多个领域的支持多轮对话。而市面上的产品形态也以是否有GUI分为纯语音对话交互和多模态对话交互两种。

    而本文讨论的目标产品主要聚焦在支持多模态对话交互的“工具+闲聊”的软硬件产品。当然,单轮指令式机器人或只有VUI的纯语音机器人也可以进行部分指标维度的借鉴,在此不做特别指出。

    评估智能对话机器人产品的数据指标维度分为2大部分:产品维度指标、技术维度指标。本文重点聚焦产品维度的7大数据指标,同时给出3个核心技术维度指标供参考。

    一、产品维度七大指标

    1. 产品使用率

    指标目的:分析用户对于产品的感兴趣度(与之相关的指标就是N日留存率,不在赘述)

    指标含义:使用了对话机器人产品的用户数占用户总数或者曝光用户数的比例。

    计算公式:使用用户数 / 总用户数或曝光用户数。其中分母根据产品类型有区分:如果是硬件类产品那么分母则是所售出的硬件总数;如果是软件类产品,则要分2种情况:1.独立对话机器人app则分母是每天打开app的用户数;2.寄生于主app上的对话机器人则分母是每天机器人入口的曝光用户数。

    统计周期:按日、周、月

    2. 最终结果触达率

    指标目的:分析对话流程的流畅度

    指标含义:使用了对话机器人产品的用户在有效会话中有多少比例获得了最终的结果(比如一段文本答案、一条图文链接等)

    计算公式:最终结果数 / 会话session数

    统计周期:按会话session,或按日

    3. 结果准确率

    指标目的:与上一个指标是关联指标,用于分析结果的准确程度

    指标含义:每次有效会话结束,虽然产品给予了用户最终结果,但不一定是用户想要的正确结果。

    计算公式:反馈给用户的正确的结果数 / 反馈结果总数。其中分子的统计口径有2种,一种是用户反馈的好评度(如果产品设计有这样的功能点),一种是人工抽样。

    统计周期:按日

    4. 平均对话轮次

    指标目的:分析任务型对话机器人的对话流程健康度

    指标含义:某一类任务(或技能)的对话轮次的平均数

    计算公式:某类任务的对话轮次/某类任务的对话总数

    统计周期:按日

    5. 跳出率

    指标目的:分析对话机器人的产品设计友好度

    指标含义:某一类任务(或技能)对话中断的比例

    计算公式:某类任务的对话中断数 /某类任务的对话总数

    统计周期:按会话session,按日

    6. 异常率

    指标目的:分析对话机器人的异常率找出关键问题并快速修复

    指标含义:用户使用对话机器人过程中的异常状况出现的比例

    计算公式:异常报错数 / 会话session数

    统计周期:按时、日

    7. 推荐结果点击率

    指标目的:分析有GUI的产品推荐内容的精准度

    指标含义:在初始化场景或某类特定场景,产品给出推荐内容的用户接受比例

    计算公式:推荐答案或内容的点击(或采纳)次数 / 推荐次数

    统计周期:按会话session,按日

    二、技术维度三大参考指标

    1. 意图识别准确率

    指标目的:意图识别直接影响最终结果是否准确,所以用于分析产品所涉及的领域内用户意图识别的准确率

    指标含义:正确识别单次会话session用户意图识别的准确程度

    2. 文本泛化能力

    指标目的:好的泛化能力才能更好的支持人类语言表达的复杂性理解,也是nlp的核心指标

    指标含义:对指定模块进行抽样,看是否支持提问文本、槽位等多种表达形式的识别

    3. 纠错/同义/歧义处理能力

    指标目的:用户进行文本/语音输入时,有概率产生错误的、别名类的、或者有歧义的表达,而系统能否根据上下文识别准确的含义或给出多种含义的可能性则直接影响产品的用户体验

    指标含义:对用户的对话进行分析,找到三种细分场景的case进行抽样或模型比对给出相应的正确处理比例

    本文作者:丸子妹,微信公众号:丸子笔记,欢迎随时讨论交流~

    本文由 @丸子笔记 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

    展开全文
  • 智能对话机器人开发实战视频教程

    千人学习 2018-07-26 10:13:35
    案例驱动:三大智能对话机器人需求场景,三个完整案例; 2.源码操作:内含完整程序源码和数据集; 3.实战指引:覆盖智能对话机器人实战案例开发; 4.系统学习:一套完整的智能对话机器人开发方法,三大智能对话框架...
  • ai人工智能对话了How can chatbots become truly intelligent by combining five different models of conversation? 通过组合五种不同的对话模式,聊天机器人如何才能真正变得真正智能? Conversational AI is all...

    ai人工智能对话了

    How can chatbots become truly intelligent by combining five different models of conversation?

    通过组合五种不同的对话模式,聊天机器人如何才能真正变得真正智能?

    Conversational AI is all about making machines communicate with us in natural language. They are called using various names — chatbots, voice bots, virtual assistants, etc. In reality, they may be slightly different to each other. However one key feature that ties them all together is their ability to understand natural language commands and requests from us-human users.

    对话式AI就是让机器以自然语言与我们交流。 它们使用不同的名称来命名-聊天机器人,语音机器人,虚拟助手等。实际上,它们可能彼此略有不同。 但是,将他们紧密联系在一起的一个关键功能是他们能够理解自然语言的命令和人类用户的要求。

    In the back-end, these agents will have to deal with carrying out the request and engage in a conversation. Based on how an agent processes the input natural language (NL) request and its mapping to a response, we can create a class of Conversational AI models.

    在后端,这些代理将不得不处理执行请求并进行对话。 基于代理如何处理输入自然语言(NL)请求并将其映射到响应,我们可以创建一类会话AI模型。

    1. Interactive FAQ

      互动式常见问题
    2. Form filling

      表格填写
    3. Question Answering

      问题回答
    4. NL interface for databases

      NL数据库接口
    5. Dialogue Planning

      对话策划

    互动式常见问题 (Interactive FAQ)

    Frequently Asked Questions (FAQ) are usually a common part of business websites where all the frequently asked questions for customers are listed and answered. Instead of having customers go through the list and find answers to their questions, Interactive FAQ model for chatbots allows users to ask questions in their own way, match customer question to the list of questions and then serve the prepared answer for the matched question. This process enables customers to find answers quickly instead of having to go through a long list of questions.

    常见问题(FAQ)通常是商业网站的常见部分,其中列出并回答了所有针对客户的常见问题。 聊天机器人的交互式FAQ模型无需让客户浏览列表并找到问题的答案,而是允许用户以自己的方式提出问题,将客户问题与问题列表进行匹配,然后为匹配的问题提供准备好的答案。 此过程使客户能够快速找到答案,而不必经历一长串问题。

    Single-vs-Multi turn — In this model, the customer query could be answered immediately within a single turn if it is a simple query. On the other hand, the chatbot may need to ask a few questions to get more info from the user before answering the question.

    单对多回合—在此模型中,如果是简单查询,则可以在单回合内立即回答客户查询。 另一方面,聊天机器人可能需要提出一些问题,才能在回答问题之前从用户那里获取更多信息。

    Intent-vs-pattern recognition — the question being asked can be identified in many ways. Intent classification is a popular approach. Here, the list of questions for which we know the answers are labelled with intent names (i.e. what is the user intending to say/ask). Each intent is then given a number of example variations of the same question. They are then fed into a machine learning algorithm that learns to classify a new unseen question from the user as one of the intents. Once intent is identified, the answer can be served.

    意图与模式识别-可以多种方式识别所要提出的问题。 意图分类是一种流行的方法。 在这里,我们知道答案的问题列表用意图名称标记(即,用户打算说/问什么)。 然后,为每个意图提供相同问题的多个示例变体。 然后将它们输入到机器学习算法中,该算法学习将来自用户的新的未见问题分类为意图之一。 一旦确定了意图,就可以提供答案。

    An image of a question mark
    Photo by Jon Tyson on Unsplash
    乔恩·泰森 ( Jon Tyson)Unsplash

    The other approach is one that has existed since the time chatbots were born (e.g. Eliza). User utterance is pattern matched with pre-defined patterns and pre-defined answers/responses are served. Several tools are available in the market to implement pattern based conversation management (e.g. Pandorabots).

    另一种方法是自聊天机器人诞生以来就存在的一种方法(例如Eliza )。 用户话语与预定义的模式匹配,并提供预定义的答案/响应。 市场上有几种工具可以实现基于模式的对话管理(例如Pandorabots )。

    Recent advances in deep learning can also be used to build seq2seq models which take a sequence of words as input and output another sequence of words. This approach can be used to build interactive single-turn FAQ models. This model of conversational AI can be used for use-cases like FAQ, troubleshooting, small talk, etc.

    深度学习的最新进展也可以用于构建seq2seq模型,该模型将一个单词序列作为输入并输出另一个单词序列。 此方法可用于构建交互式单匝FAQ模型。 这种对话式AI模型可用于FAQ,故障排除,闲聊等用例。

    填写表格 (Form-filling)

    Form-filling, as the name says, is a model of conversation that involves filling in a form. A user request is mapped to an intent or a pattern that triggers a form that needs to be filled and in order to do so, the chatbot will have to ask a number of questions. Once filled the form can then be used to either do a database search or a database update.

    顾名思义,表单填写是一种对话模型,涉及到填写表单。 用户请求被映射到触发需要填写的表单的意图或模式,为此,聊天机器人将不得不提出许多问题。 填写表格后,即可用于数据库搜索或数据库更新。

    Take a travel agent chatbot, for instance. It will ask a series of questions to fill in fields like source, destination, date of travel, etc to do a database search for flights. Once you choose a flight, the details of the flight will be added to a larger form to make a booking (i.e. database update). Both search and update needed information that were gathered by asking questions driven by the form. However, the downside is that intents need to be created and the conversation needs to defined meticulously every step of the way to fill in the form, submit and handle the database results.

    以旅行社聊天机器人为例。 它将询问一系列问题,以填写来源,目的地,旅行日期等字段,以对航班进行数据库搜索。 选择航班后,航班的详细信息将添加到较大的表格中以进行预订(即数据库更新)。 搜索和更新所需信息都是通过询问表单驱动的问题而收集的。 但是,不利的一面是需要创建意图,并且在填写表单,提交和处理数据库结果的过程的每一步都必须仔细定义对话。

    Form-filling and FAQ models are currently the most popular as these take care of the most mundane repeated conversations customers tend to engage in. Platforms like IBM Watson, DialogFlow, etc provide tools to handle these models.

    当前,表单填充和FAQ模型最为流行,因为它们可以处理客户倾向于进行的最平凡的重复对话。IBMWatson,DialogFlow等平台提供了处理这些模型的工具。

    问题回答 (Question Answering)

    Open domain question answering has been a sub-field of Natural Language Processing research with the objective of understanding user questions in natural language and extracting answers from a large corpus of text. This as you can clearly see, is a way of reducing the human effort in curating answers to questions that customers ask. It may be nearly impossible to create an exhaustive list of prepared questions and answers. To address this problem, chatbots should use QA models that can extract answers from large corpus of text on the fly.

    开放域问答已经成为自然语言处理研究的一个子领域,其目的是理解自然语言中的用户问题并从大量文本中提取答案。 正如您可以清楚地看到的那样,这是减少人力来整理客户提出的问题的答案的一种方法。 创建详尽的准备好的问题和答案列表几乎是不可能的。 为了解决这个问题,聊天机器人应使用QA模型,该模型可以即时从大型文本语料库中提取答案。

    QA model for conversation can be used where there is a large body of text that customers could query from and creating intent and curated answers for each question-answer pair is an expensive proposition.

    对话的QA模型可以用于客户可以从中查询大量文本的情况,并且为每个问题/答案对创建意图和精选答案是一项昂贵的提议。

    Recent advances in transformer based models like BERT, GPT-3 have made robust QA models for conversational AI possible. The following is an example of QA model (by DeepPavlov.ai toolkit) in action.

    基于变压器的模型(例如BERT,GPT-3)的最新进展使健壮的QA模型可用于会话AI。 以下是运行中的质量检查模型(由DeepPavlov.ai工具箱提供)的示例。

    A snapshot of DeepPavlov toolkit — showing a question answering demo.
    DeepPavlov — TextQA demoDeepPavlov — TextQA演示

    NL数据库接口 (NL Database Interfaces)

    The third type of conversational model is one where the user utterance can directly be mapped on to a database query. For instance, let us assume a relational database containing information about customer transactions data. To let customers interact with this database using natural language, form-filling model can be used. However, there are many ways to query a relational database and using form-filling model, you may have to design many conversational forms to fulfill your customer needs. Instead if you can translate your customer requests in natural language to a database query, you can run the query and respond appropriately without the need for creating forms and intents.

    第三种类型的会话模型是可以将用户话语直接映射到数据库查询的模型 。 例如,让我们假设一个关系数据库包含有关客户交易数据的信息。 为了让客户使用自然语言与此数据库进行交互,可以使用表单填充模型。 但是,有很多方法可以查询关系数据库并使用表单填充模型,您可能必须设计许多对话表单才能满足客户需求。 相反,如果您可以将自然语言的客户请求转换为数据库查询,则可以运行查询并进行适当响应,而无需创建表单和意图。

    A snapshot of turning a Natural Language query into SQL
    Translating NL query into SQL将NL查询转换为SQL

    Query language — Depending on the type of database, the target query language will vary. For instance, for relational databases, NL queries may need to be translated into SQL. For graph databases like Neo4J and RDF triple stores, they may need to be translated into Cypher and SPARQL.

    查询语言-根据数据库的类型,目标查询语言将有所不同。 例如,对于关系数据库,可能需要将NL查询转换为SQL。 对于像Neo4J和RDF三重存储这样的图形数据库,可能需要将它们转换为CypherSPARQL

    How? — There are deep learning approaches — Seq2Seq models — that can translate from NL queries into a query language. Recently, GPT-3, the largest pre-trained language models so far, has been used to translate NL to SQL query using few-shot learning.

    怎么样? —有一些深度学习方法— Seq2Seq模型—可以将NL查询转换为查询语言。 最近,到目前为止,最大的预训练语言模型GPT-3已用于通过几次学习将NL转换为SQL查询。

    This model allows the customer to create a number of queries about the data in natural language without constraining them to pre-defined forms.

    该模型允许客户以自然语言创建有关数据的许多查询,而不必将其约束为预定义的形式。

    对话策划 (Dialogue Planning)

    The final model in my list is Dialogue Planning. This model uses AI Planning approach to drive conversation. AI Planning is an Artificial Intelligence approach to intelligent problem solving. In a dialogue planning model, we will treat conversation as a planning problem with an initial state and a final goal state. The AI planner’s task is then to find an optimal sequence of steps from the initial to the goal state. In a conversation, these steps will include — asking the customer for answers to specific questions, fetching or updating info from/to a back-end system, etc.

    我列表中的最终模型是“对话计划”。 该模型使用AI规划方法来推动对话。 AI Planning是一种用于解决问题的人工智能方法。 在对话计划模型中,我们将对话视为具有初始状态和最终目标状态的计划问题。 AI计划者的任务是找到从初始状态到目标状态的最佳步骤顺序。 在对话中,这些步骤将包括-向客户询问特定问题的答案,从后端系统获取信息或更新信息,等等。

    For instance, to book a flight ticket, the agent will come up with a plan to ask a series of questions — destination, date, etc, search for flights, summarise them, help user to choose one, ask further questions — passenger name, age, meals, etc, make a booking and send a confirmation email. While in a form-filling model, the above sequence will have to be authored by hand, in a planning model, only a set of actions will need to be provided. The agent could use the same set of actions to create another sequence to achieve a different goal. To come up with an analogy, it is like the agent is a given a number of LEGO bricks that it can put together in various ways to build different things.

    例如,要预订机票,代理商将提出一个计划,询问一系列问题(目的地,日期等),搜索航班,进行汇总,帮助用户选择一个问题,提出其他问题(乘客姓名,年龄,用餐等,请进行预订并发送确认电子邮件。 在填表模型中,必须手动编写以上序列,而在计划模型中,仅需要提供一组操作。 代理可以使用同一组动作来创建另一个序列以实现不同的目标。 举个比喻,就像代理是给定的许多乐高积木一样,它可以通过各种方式组合在一起来构建不同的事物。

    An image of LEGO bricks
    Photo by Xavi Cabrera on Unsplash
    Xavi CabreraUnsplash上的照片

    Like NL Database Interfaces and QA models, it allows for users to define initial and final states using natural language without being constrained by pre-defined conversational pathways. Instead, using AI planning, new pathways are created using a library of planning operators (or dialogue actions). Dialogue planning is still largely an area of research and non-availability of toolkits makes it hard to implement this model in a production environment.

    像NL数据库接口和QA模型一样,它允许用户使用自然语言定义初始和最终状态,而不受预定义的对话路径的约束。 取而代之的是,使用AI规划,使用规划操作员(或对话操作)库创建新途径。 对话计划仍然是一个主要的研究领域,并且由于无法使用工具包,因此很难在生产环境中实施此模型。

    Furthermore, planning approaches can be combined with deep reinforcement learning to optimize generated plans based on experience and reward from the environment. This will turn them into learning agents as well.

    此外, 可以将计划方法与深度强化学习相结合 ,以基于经验和环境奖励来优化生成的计划。 这也将使他们成为学习代理。

    混合助手 (Hybrid Assistants)

    Truly intelligent conversational agents will need to combine above models in a meaningful way. Such an assistant will be a hybrid with skills to combine various conversational models based on needs of the customer, relative success and cost of each model competing to solve the same problem. Combining these approaches will come with its own set of problems — need for unified knowledge representation mechanisms, explainability and control, etc. But with problems, solutions will come too.

    真正智能的对话代理将需要以有意义的方式组合上述模型。 这样的助手将具有技巧,可以根据客户的需求,相对成功和竞争解决同一问题的每个模型的成本来组合各种对话模型的技能。 将这些方法结合起来会带来自己的一系列问题-需要统一的知识表示机制,可解释性和控制性等。但是遇到问题时,解决方案也将随之而来。

    While FAQ and form-filling models are particularly popular now, the need for models like Open QA, NL database interfaces and Dialogue planning are becoming more prominent as not every conversational pathway can be pre-determined, planned and scripted by human content developers. Developments in NLP and machine/deep learning over recent years — transformers like BERT, GPT-3, T5, reinforcement learning like AlphaGo, etc — show promising traits and I believe, will help us achieve our goal to build truly intelligent conversational AI.

    尽管FAQ和表单填充模型现在特别流行,但由于并非每种对话路径都可以由人类内容开发人员预先确定,计划和编写脚本,因此对诸如Open QA,NL数据库界面和对话计划之类的模型的需求日益突出。 近年来,NLP和机器/深度学习的发展(如BERTGPT-3T5 ,诸如AlphaGo等的强化学习等)显示出令人鼓舞的特质,我相信这将帮助我们实现构建真正智能的对话式AI的目标。

    Hope you enjoyed this write up. Please do share your comments.

    希望您喜欢这篇文章。 请分享您的评论。

    翻译自: https://medium.com/analytics-vidhya/models-for-conversational-ai-34312fe1f6d9

    ai人工智能对话了

    展开全文
  • 通过对课程的学习,可以了解到智能对话的应用方式,搭建一个可定制化的智能会话系统,掌握意图识别,多轮对话理解,知识图谱相关知识的学习方式,了解到各模型算法的使用方式。通过对数据的清洗编制应用,模型的训练...
  • 智能对话式运营解决方案,2021年AI人工智能客服解决方案NLP客服机器人系统智能客服发展
  • 智能对话技术介绍

    2020-11-19 18:01:38
    目录前言对话系统分类技术选型基于模版:基于检索:对话系统架构对话系统...近几年,智能对话问答领域在不断发展,出现了Siri、Watson、Google Assistant、微软小冰、天猫精灵、小度等。 本文将系统地介绍对话系统前沿

    前言

    对话领域发展已经有半个世纪的历程,在上个世纪60年代有了最早的与人对话程序——伊莉莎(ELIZA),通过规则和脚本库的方法可以像心理咨询师一样和人对话,而后又出现了Alice、Mitsuku等基于更好剧本引擎的对话机器人。
    近几年,智能对话问答领域在不断发展,出现了Siri、Watson、Google Assistant、微软小冰、天猫精灵、小度等。
    本文将系统地介绍对话系统前沿的技术。

    对话系统分类

    任务对话系统(Task - Oriented)

    • 业务办理技能(面向动作)

    问答系统

    • 业务咨询技能(面向需求)

    开放域对话系统(Open Domain Dialogue System)

    • 闲聊技能(无目的,无领域约束)

    技术选型

    基于模版:

    • 优势:准确率高
    • 劣势:泛化能力弱

    基于检索:

    • 优势:业务适应能力强
    • 劣势:准确率低

    基于深度学习:

    • 优势:准确率高
    • 劣势:数据要求高

    基于模版

    在这里插入图片描述

    基于检索

    在这里插入图片描述

    语料生产

    • 社区抓取:豆瓣、微博、贴吧等各类公开社区对话语料
    • 语料挖掘:相关性、可用性、封禁、人设
    • 语料运营:生产人设、同语义对话对、剧本等

    语料召回

    • 索引:倒排索引、向量索引
    • 范式和模版:基于句法范式、常用话术、关键词、模版等

    排序

    • 相关性:相关性特征、低耗时
    • LTR排序:基于词、句法、语义、topic、相似度等特征,GBDT模型融合
    • 触发排序:基于索引、特征组合、实体以及特殊字符匹配等策略、保证触发准确性
    • 标准问题匹配当前使用的主要模型是 Bi-LSTM-DSSM

    劣势

    • 在目前的端到端对话模型中,经常出现很多 badcase
    • 包括出现上下文逻辑冲突
    • 背景有关的一些信息,比如年龄其实不可控
    • 安全回复居多,对话过程显得很无聊

    对话系统架构

    在这里插入图片描述
    第一种是TaskBot: 完成的是任务型对话,如询问天气、订票服务,某些客服也可以看成是一种任务型对话;
    第二种是QABot: 问答是人们见的最多的,主要是一问一答;
    第三种是ChatBot: 闲聊范围广,常见的例子就是微软小冰,聊天是平常最多的信息交互,也是技术上难度最高的。
    在这里插入图片描述

    对话系统架构细分

    在这里插入图片描述
    常见的对话系统除了语音的ASR和TTS以外,就是一个NLU和NLG,中间一个DM,但是这里多出来一些东西。
    从一个系统的角度或者更加拟人的角度来说明,对一个对话来说理解并不是内容的理解,还需要根据对话的人的对象的理解以及基于我们的记忆和知识去理解。

    任务对话系统主要模块

    在这里插入图片描述
    任务对话系统主要场景

    • 整合资源,提供丰富的信息服务
    • 一站式的智能服务场景
      • 天气询问
      • 知识小卡片
      • 国学/诗词/百科/谚语/俚语
      • 新闻
      • 股票/汇率查询

    TaskBot基于任务型的对话系统是一个小的通用对话系统,需要针对不同领域做一些优化,类似地,在DM和NLG中也需要补充相应的policy和表达式。

    槽位提取
    提取对话文本中的词槽,当前主要使用的是 IDCNN+CRF 的方式进行。

    在这里插入图片描述

    问答系统主要模块

    在这里插入图片描述

    • 问答机器人有很多种,最简单的是基于配规则的卡片式问答。

    • 这里主要讲两种问答

      • 基于知识图谱的knowledge based question answering(KBQA)
      • 基于非结构化的网页知识来抽取答案的问答机器人称为DeepQA
    • 推荐一个在非结构化挖掘做的比较好的:https://magi.com/
      在这里插入图片描述
      主要流程
      在这里插入图片描述

    对话闲聊的解决方案

    • 一类是检索式
    • 一类是基于深度学习的生成式 seq2seq+Attention

    传统的对话解决思路和问答是类似的,因此数据变得很重要。
    生成式对话系统通过深度学习直接生成最后的回复,目前应用还不是很成熟,其准确率很难达到90%。
    生成式方法容易生成单调乏味的短回复,或者一些不通顺的长回复,相关性上也常会出现一些过于通用泛化的弱相关性结果。

    展开全文
  • 养个宠物,它却不能get到你的“宠言宠语”。找个伴侣,还要浪费吵架的时间和精力。回到家里,只能浸泡在“循环唠叨式“母爱的...现在就教你构建只属于你的智能对话机器人,带你找回那个最轻松的自己。 本期腾讯大...
  • 智能对话机器人实战(课件)案例驱动:三大智能对话机器人需求场景,三个完整案例;一套完整的智能对话机器人开发方法,三大智能对话框架;
  • 百度大脑智能对话蓝皮书。
  • 自然语言理解微信小程序智能查询完整代码分享 智能对话。 自然语言理解微信小程序智能查询完整代码分享。 通过智能对话,支持快递、身份证、词典、天气、诗词、计算、单位换算、菜谱、笑话、故事等小工具查询 智能...
  • 人工智能和人工冰释前嫌 人工智能对话系统在房产行业的应用 对话系统在房产行业的应用 01 人工智能NLP及对话系统现状如何 02 房产领域的特色及应用对话系统的优势有哪些 03 我们怎么做效果怎么样 人工智能的现状 ...
  • 随着智能对话技术的发展,对话机器人越来越多地出现在人们的日常工作和生活中。从企业的角度,在合适的业务场景中使用对话机器人,能够极大地提升服务效率和用户体验。因此,引入对话机器人逐渐成为每个企业数字化和...
  • 其中基于深度学习的人机对话交换系统(智能机器人)是人工智能最有潜力的领域,甚至被称作人工智能的皇冠。相对于传统的页面简单交互,人机对话系统更能读懂你的内心世界与想法。 机器人人机对话系统主要涉及深度...
  • 智能对话app

    2018-03-17 21:34:06
    android智能语音对话app,可以可以识别用户说的话,对此作出应答
  • 百度智能对话系统UNIT

    2021-04-06 13:14:51
    百度智能对话系统UNIT 自然语言处理(NLP)大类中的智能对话定制与服务平台(UNIT)是如何在各行各业发挥作用的,这是简短视频介绍:[UNIT](https://www.iqiyi.com/w_19s97pixih.html).云端本地皆可部署,亦可引入...
  • 本发明涉及机器人技术领域,特别是涉及一种智能对话机器人系统及其实现智能对话的方法。背景技术:目前市场上利用电话线实现智能语音对话机器人,都需要使用语音网关通过网络连接到软交换系统服务器的方式来实现,即...
  • 简易操作离不开智能对话平台的技术支持,智能对话平台的背后用到了哪些AI技术?掌握这些技术需要用过哪些学习路径?智能对话平台又是如何帮助大家简化这个复杂的流程? 在今天的公开课中,叶聪老师将为大家梳理...
  • 基于C#的图灵人工智能对话机器人,可以像和正常人聊天那样与人工智能进行交流对话,实现人机对话交流;
  • 智能对话平台简介

    千次阅读 2018-02-05 14:37:16
    智能对话平台简介 智能语音交互系统(Spoken Dialogue System)架构图 在整个语音交互流程中,对话部分起着承上启下的左右,客户端用户说的话经过ASR转为文本后进入对话系
  • 智能机器人对话,代码绝对可用。点击index.html就可以了。
  • 闲聊-智能对话:微信小程序详解
  • 微信智言的智能对话多轮交互技术 刘杰 腾讯高级研究员 || 微信智言的智能对话多轮交互技术 微信智言介绍 多轮对话中控ChatFlow 多轮对话机器学习算法 总结与展望 || 微信智言介绍 微信智言介绍 || 微信智言介绍 对话...
  • 关于智能对话分析服务 智能对话分析服务 (Smart Conversation Analysis) 依托于阿里云语音识别和自然语言分析技术,为企业用户提供智能的对话分析服务,支持语音和文本数据的接入。可用于电话/在线客服坐席服务质量...
  • 【科大讯飞阿尔法蛋教育陪伴机器人TYR100】科大讯飞机器人 阿尔法蛋大蛋智能机器人学习机儿童早教国学教育智能对话陪伴机器人【行情 报价 价格 评测】-京东​re.jd.com​re.jd.com阿尔法蛋采用了珍珠白的ABS材质,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 3,998
精华内容 1,599
关键字:

智能对话