精华内容
下载资源
问答
  • 阿里巴巴资深专家孙健在2017云栖大会·北京峰会中做了题为《云小蜜智能服务机器人》的分享,就正在发生的变革:人工智能正在重构B-C的关系模式,云小蜜开放平台,云小蜜开放平台背后的核心引擎,云小蜜未来的思考等...
  • 云小蜜对话机器人背后自然语言处理知识图谱语音图像数据采集的核心算法31页.pdf
  • 阿里小蜜智能对话开发平台是智能服务事业部推出的面向各行各业的对话构建平台,此次分享将结合平台,对小样本下的语言理解、用户模拟器和基于模型的对话管理的算法研究和落地进行介绍。 文章目录对话系统简介自然...

    原文地址

    分享嘉宾:唐呈光 阿里巴巴 算法专家
    编辑整理:刘汝洲
    内容来源:阿里小蜜 & DataFun AI Talk
    出品社区:DataFun

    阿里小蜜智能对话开发平台是智能服务事业部推出的面向各行各业的对话构建平台,此次分享将结合平台,对小样本下的语言理解、用户模拟器和基于模型的对话管理的算法研究和落地进行介绍。

    对话系统简介

    对话系统的一般架构如图:
    在这里插入图片描述
    这是我们所熟知的对话系统框架,这里面主要有:NLU 自然语言理解,DM 对话管理,NLG 自然语言生成3个主要模块,DM 里面有 dialog state tracking 用于对话状态追踪,policy 用于对话策略管理。

    当我们在执行一个对话任务时,例如“开发票”,系统不仅要识别用户的需求,还需要与外部系统对接,进行订单号的合法性校验,调用开发票接口等,这时候 DM 不仅要完成与用户的交互、管理槽位信息,还需要访问外部接口,管理调用的结果。
    在这里插入图片描述
    当构建好一个机器人后,还需要进行对话的诊断,效果评测,才能发布上线,如果这些工作全都让人来完成,整个过程会非常费力,于是我们引入了用户模拟器来提高整体交付效率。
    在这里插入图片描述
    云小蜜对话机器人核心算法主要包括三部分:1. 自然语言理解;2. 对话管理;3. 用户模拟器。

    自然语言理解

    由于云小蜜对话机器人需要满足各行各业各种场景下的对话服务需求,所以我们的自然语言理解是平台视角下的自然语言理解。根据训练样本的多少,我们把它分为3种不同的情况:无样本、小样本、多样本。在没有样本的情况下,我们提供了一套简单易懂的规则表示语法,帮助用户实现快速冷启动。以查天气为例,用户只需写1条规则,就能表示100多个句子。

    在这里插入图片描述
    在小样本的情况下,比如共10个类别的意图,每个意图下有十多个样本,这种情况下还不足以训练一个有监督模型,但我们可以借助平台数据积累的优势,当只有少量样本的情况下,也可以做出比较好的结果。

    实现思路:我们先整理出一个大数量级的数据(十万级别),每一个类目几十条数据,为它建立 meta-learning 任务。对于一个具体任务来说:构建支撑集和预测集,通过 few-shot learning 的方法训练出 model,同时与预测集的 query 进行比较,计算 loss 并更新参数,然后不断迭代让其收敛。这只是一个 meta-learning 任务,我们可以反复抽样获得一系列这样的任务,不断优化同一个模型。在线预测阶段,用户标注的少量样本就是支撑集,将 query 输入模型获得分类结果。实验表明,few-shot learning 的效果优于无监督相似度匹配的方法。
    在这里插入图片描述
    具体是怎么实现的呢?我们借鉴了图像领域的工作,图像领域大多数工作都只考虑了样本的信息,但是在 NLP 领域样本的信息可能会存在噪声或冗余,比如说“开发票”场景,用户在表述开发票这个事情,除了常见的“我要开发票“、”帮忙开一张发票“以外,他还可能会说:“你好,我前两天在你们店里买了一条裙子,请问现在能帮我开下发票吗?”而这样的句子是普遍存在的,我们需要对这些句子进行归纳,得到类别的信息,然后再与要预测的 query 比较语义相似度。它的神经网络结构分为3部分,首先是 Encoder 将句子变成句子向量,然后再通过 Induction Network 变成类向量,最后通过 Relation Network 计算向量距离,输出最终的结果。
    在这里插入图片描述
    Memory-based Induction Network 是我们在 Induction Network 的基础上引入了 memory 机制,目的是模仿人类的记忆和类比能力,在效果上又有进一步提升。

    Induction Network 很关键的一部分就是怎么把样本向量抽象到类向量,我们采用的是 matrix transformation 的方法,下图显示的是1个 5-way 10-shot 的数据,转换前,几个类很难区分,类中心不够内聚,转换后,类边界更清晰,更利于下游 relation 的计算。
    在这里插入图片描述
    当业务方有一定标注数据的情况下,我们就考虑上监督模型了。在云小蜜实际业务场景中,企业相关的标注数据的获取成本是比较高的,因此有监督模型的目标是希望让业务方能够在标注数据量不是很大的情况下达到很好的效果,因此我们构建了一个三层的模型,最底层是具有较强迁移能力的通用模型 BERT,在此基础上构建不同行业的模型,最后用相对较少的企业数据来训练模型。这样构建出来的企业的 NLU 分类模型,F1 基本都在90%+。

    这种模型也有缺点,就是它的结构比较复杂,在线预测的时候延时会比较长,在真实生成环境中应用落地有困难,所以我们通过知识蒸馏的方法来进行模型压缩,在效果相当的同时预测效率更快了。

    在实际业务场景的多数情况下,任务型对话和 FAQ 型问答一般都是同时存在的,我们也引入了多任务学习(multi-task learning),能让任务共享底层的信息并互相增强,使得模型具有更强的泛化能力。在政务场景里,我们通过多任务学习, acc 提升两个点以上。
    在这里插入图片描述
    简单小结一下,这是 NLU 的整体能力输出的能力版图:
    在这里插入图片描述

    平台视角下的对话管理

    对话管理成功的三要素:

    1. 业务建模:能够对不同行业不同场景的业务进行抽象,能够用一套统一的表示体系建模,保证业务逻辑的正常运行;
    2. 具备鲁棒性:能够很好的处理业务未定义的通用对话需求和各种异常情况;
    3. 持续学习的能力:能够在与用户交互的过程中,不断的学习,不断适应新场景,根据用户的反馈调整系统的对话策略。
      在这里插入图片描述

    基于 TaskFlow 的业务建模

    我们以“火车票”场景为例,一个有经验的卖火车票的售票员在指导一个新售票员的时候,他会把常见的对话样例描述出来,让新售票员知道用户怎么问,我该怎么答,同时他还会告诉新售票员需要查询哪些系统才能获得票务信息,以及有票和无票的情况下分别怎么回复用户。

    基于对上述真实场景的观察,我们对整个交互过程进行抽象,我们认为对话的基本单元是一个 turn ( 一轮 ),它可以拆解为3部分:用户说、机器人思考和机器人回复,分别对应三个基础节点:触发节点、函数节点和回复节点。上面说的是单轮的情形,如果把所有的后一轮的触发节点接到前一轮的回复节点后面,就构成了一个多轮交互 ( multi-turn ) 的对话。
    在这里插入图片描述
    为了让 TaskFlow 在平台上执行,我们设计了一种双层状态机的方案,上层是对话逻辑,底层是一套通用的对话引擎,通过这种解耦的设计,不论上层的业务逻辑如何变化,下层都用一套统一的引擎在支撑,如果想赋能上层业务,只需要不断升级底层的能力,上层的所有业务都会受益。
    在这里插入图片描述

    具备鲁棒性

    如果对话管理只能保证用户已定义的业务逻辑正确运行,它的鲁棒性还不够,还需要考虑更多情形,包括:通用对话能力和异常处理能力,如图:
    在这里插入图片描述
    总体的实现思路是,通过系统内置 TaskFlow 实现对话鲁棒性。以“流量包业务”的对话中模糊澄清为例,我们采用插件化的方式实现,在用户定义的 TaskFlow 基础上,增加澄清 TaskFlow,它的功能包括:

    1. 判定是否需要触发澄清;
    2. 选择澄清的策略:是隐式澄清还是显示澄清,是单意图澄清还是多意图澄清;
    3. 澄清话术的生成

    在上线之前,系统会把这两部分的 Taskflow 进行编译和链接,变成一个可执行的 Taskflow,然后放进执行引擎提供在线服务。其他的功能,比如重听,个性化拒识等都是采用同样的方法实现。
    在这里插入图片描述

    可持续学习

    以上的两部分能力都是解决对话中高频、确定的部分问题。如果希望用户在实际对话中越聊越好,仅有以上部分是不够的,需要利用好对话数据,建立对话模型,去 cover 中长尾对话行为,并且基于反馈快速调整对话策略,从而获得更好高价值的智能。
    在这里插入图片描述
    持续学习:
    在这里插入图片描述
    总体分为3步:

    1. 构建 DM 模型,保证它是可学习的;
    2. 让模型可交互学习;
    3. 支持在线学习。

    训练模型得先有数据,我们构建了一个用户模拟器,让它与机器人对话,从而获得大量的带标注的数据,然后分别训练 DST 模型和 Policy 模型,这一步完成了机器人知识的蒸馏,可以获得一个与规则系统效果上等价的 DM 模型。接下来,对 User Goals 进行采样,通过用户模拟器对 DM 模型进行交互,利用 Reward Evaluator 模型进行 Reward 打分,从而获得大量的 Transition 四元组:
    在这里插入图片描述
    利用增强学习 A2C 算法训练,直至收敛。然后发布到线上,进行在线学习。

    Dialog State Tracking(DST)

    在这里插入图片描述
    真实场景下,我们的 DST 与学术界相比,有以下几点主要差异

    1. 多智能体建模:DM 不仅跟用户交互,还跟多个外部服务交互,这些服务都可以看做是一个个智能体;
    2. 追踪变量:外部返回的结果会存储在变量中,我们的 DST 扩展了数据形式;
    3. slot-value 假设:学术界假设 slot value 都是离散可枚举的,哪怕是“时间”类型的值,会通过静态化处理进行简化,这显然和实际情况不符,我们不做这样的假设;
    4. 追踪次数:我们对每轮对话中 tracking 的次数不做约束。

    在这里插入图片描述
    如上图所示,一共有两轮对话,每一轮有两次对话追踪。

    DST 模型的输入是上一轮对话的状态、上一轮系统行为、当前轮用户 utterance、API 返回,输出是当前轮的对话状态。

    在这里插入图片描述
    这个模型的核心是 operator。在“约会议”场景中,工号的 slot value 一直在变化,开会时间也是不可枚举,如果把 slot value 加入到模型中训练,在预测的时候就会遇到未知的 slot value,此时模型效果就变差。operator 的操作对象是 slot 本身,它只关心信息的流转,而不关心具体 value 是什么,它摆脱了对 value 具体值的依赖,因此具备更强的适应能力。

    Policy: A2C-ER with TaskFlow bootstrapping

    下图表示的是增强学习的数据收集和训练的过程。首先,用户输入 user act(t),进入一个对话状态 state(t),经过 feature generator 模块,得到 b(t),接着把它输入到 policy 网络获得 act(t),这个 act 会和对话状态一起输入到一个 Reward Evaluator 模型进行打分,得到 reward(t),然后进入下一个对话状态 state(t+1),这时候会得到一个 experience,它包括:
    在这里插入图片描述
    四元组,然后通过 off-policy 的方式进行训练,而这里收集到的样本分布和 policy 真正输出的样本分布存在偏差,可以利用重要性采样 ( Importance Sampling ) 的方法进行修正,这样能训出一个比较好的 policy 模型。
    在这里插入图片描述

    用户模拟器

    Simulation System

    在这里插入图片描述
    从上面所说的 DM 模型的训练过程,我们可以看到用户模拟器起到非常重要的作用,这里我们介绍一下用户模拟器的实现原理。

    我们的用户模拟器是以 Taskflow 为根基构建的,触发节点展开后形成的抽样树对应用户策略,函数节点+回复节点的串联对应用户状态管理,这是实现用户模拟器的基础。

    它由3部分组成:User State Tracker、User Policy 和 User Model。其中 User Model 可以针对不同的任务设定不同的参数,比如:生成对话数据,对话评测,它们的 Goal 和 Profile 都可以不一样,这样既保证是一套统一的建模框架,同时又保证了系统的灵活性。
    在这里插入图片描述
    具体的应用场景如下:
    在这里插入图片描述

    User Simulator - 对话诊断

    这是一个公积金查询的对话流,它一共有175条路径,如果要去覆盖需要输入1000次以上,这个过程耗时耗力。
    在这里插入图片描述
    为了解决这个问题,我们提出了利用一个机器人诊断另外一个机器人的想法,具体的实现架构如下图所示:
    在这里插入图片描述
    它的基本逻辑是,首先有一个对话系统,它加载的是 Taskflow,对话系统与用户模拟器交互,产生对话日志,这里面有成功的 session 也有失败的 session,如果是失败的,会把它送到一个诊断分析的模块,进行错误分析和路径统计,得到错误详情及问题产生原因,反馈给业务人员,业务人员根据提示修正 Taskflow,然后重新诊断,以此往复直到所有的问题都解决。

    总结

    在这里插入图片描述

    展开全文
  • CIKM AnalytiCup 2018 – 阿里小蜜机器人跨语言短文本匹配算法竞赛     背景介绍 阿里巴巴集团是全球领先的互联网服务平台,不仅是中国最大的电子商务平台,如淘宝、天猫,并且提供了...

     

                                                                         (本内容转载自公众号“科技与Python”)

    CIKM AnalytiCup 2018 – 阿里小蜜机器人跨语言短文本匹配算法竞赛

     

     

    背景介绍
    阿里巴巴集团是全球领先的互联网服务平台,不仅是中国最大的电子商务平台,如淘宝、天猫,并且提供了高质量的网上购物体验,每天数以百万计的商家通过所提供的服务与他们的客户沟通,并通过平台上进行交易。AliMe是个人用户的在线会话助手,它让服务变为智能,如全天候的购物引导,服务帮助,聊天服务,并支持许多产品运行在阿里巴巴的生态系统。
    短文本匹配是聊天机器人设计开发中最常见和最重要的任务之一。随着业务全球化的发展,我们需要为外语场景提供服务,如英语、西班牙语等。在本次挑战中,我们将关注短文本匹配在语言适应的问题。 


    关键时间点
    2018年6月1日 10:00:评测启动,每天提供一次评测机会

    2018年7月30日 09:00:报名截止&队伍融合截止(未完成实名认证的队伍将被淘汰) 
    2018年7月30日 12:00:切换复赛数据

    2018年8月1日 10:00:最后一次评测触发

    2018年8月2日18:00:入围TOP20团队需要提交代码及说明资料
    2018年8月15日 12:00:入围答辩环节的团队确定


    参赛对象
    面向全社会开放,高等院校、科研单位、互联网企业等人员均可报名参赛。

    注:大赛主办和协办单位,以及有机会接触赛题背景业务及数据的员工,则自动退出比赛,放弃参赛资格;

    阿里巴巴集团、蚂蚁金服、菜鸟的员工参赛,可参与排名,但不得领取奖金。

     

     

    组队规则

    参赛队伍可以是单人组队或自由组合,但最多不超过4人。

    注:

    1、每人只能参加一支队伍;

    2、保证参赛队员报名信息准确有效,不得使用小号,否则会被取消参赛资格及激励;
    3、报名方式:用淘宝或阿里云账号登入官网,完成个人信息注册,即可报名参赛;
    4、实名认证:需要在2018年7月30日9:00之前完成实名认证(支付宝认证或身份认证)。

     

     

    评测规则

    1、初赛和复赛均提供下载数据,选手在本地进行算法调试,提交结果表至天池;
    2、评测将在6月1日-8月1日期间,每天的10:00 触发 ,若队伍一天内多次提交结果(包括多位队员提交),新结果版本将覆盖原版本,计算得分时以最后提交的版本为准;
    3、排行按照logloss得分从低到高排序,排行榜将选择选手在本阶段的历史最优成绩进行排名展示;

    4、最终线上成绩以8月1日10:00排行榜成绩与排名为准,最终入围决赛团队根据组委会代码评审结果确定,另行通知;
    5、禁止私下与队伍成员之外的人员分享代码和数据,鼓励在大赛论坛面向所有选手进行公开讨论。


    大赛激励
    冠军:1支队伍,EUR 2,000
    亚军:1支队伍,EUR 1,500 
    季军:1支队伍,EUR 1,000 
    差旅赞助: 冠亚季军队伍将获得1,000欧元/队的差旅赞助,前往于10月份在意大利举办的CIKM 2018主会。 
    注:冠亚军团队将从TOP20的团队中选拔,基于代码、核心思路、PPT等材料。


    主办单位


                                                                                             最新大数据及算法竞赛资讯

                                                                                 (只需关注我们,即可得到最新竞赛资讯)

                                                                                                               资料赠送

                                                                         5000+PPT模板 | 1000+简历模板 | 无人驾驶相关资料

                                                                                        (只需关注我们,即可得到相关资料)

                                                                                        

    展开全文
  • 云小蜜是一款面向开发者的会话机器人,支持在不同的消息端上实现基于自然语言处理(NLP)的智能会话,如网站、APP及实体机器人等。用户可以在云小蜜中配置自己特有的知识库实现智能问答,也可以通过多轮对话与第三方...

    云小蜜是一款面向开发者的会话机器人,支持在不同的消息端上实现基于自然语言处理(NLP)的智能会话,如网站、APP及实体机器人等。用户可以在云小蜜中配置自己特有的知识库实现智能问答,也可以通过多轮对话与第三方API集成实现自助服务,如:订单查询,物流跟踪,自助退货机器人等。

    云小蜜人工智能训练师可结合行业知识,通过特征分析和场景问题收集,对云小蜜进行配置和测试优化,让会话更智能、更贴近业务场景。

    课程链接:云小蜜人工智能训练师

    阿里官方打造服务生态人才成长计划,权威专业的认证提升个人就业竞争力。持有本认证证书,可证明您有对云小蜜具体场景下应用的配置和优化的能力。

    云小蜜提功能:

    • 免费的机器人实例和多机器人实例的支持

      您使用云小蜜时需要基于机器人实例管理知识库、对话工厂和会话API。当您的业务涉及多个场景、需要为每个场景部署各自的会话机器人时,您可以为每个场景创建一个机器人实例,

      公测期间,云小蜜的机器人实例和会话API完全免费,您可以创建任意个机器人实例进行使用。

      注:有关云小蜜公测期间和公测结束开始商业化后的定价策略,您可以参考本文档的产品定价部分。

    • 知识库

      知识库是一个基于问答和同义词的知识体系。您可以创建一条问答并为其设置同义词,当访问者与机器人的对话可以匹配到问题或任意同义词时,机器人即会将该问题的答案展示给访问者。

    • 预置领域知识包

      云小蜜预置了多个领域的知识包,每个机器人实例创建成功后,您可以在预置的领域知识包中选择与您相关的领域,云小蜜会使用该领域的知识包进行机器人知识库的快速初始化。

    • 知识库批量导入

      知识库提供了批量导入的功能,您可以基于此功能快速地配置知识库。

    • 知识库测试窗

      云小蜜控制台提供了知识库测试窗功能,您可以在部署会话机器人之前使用测试窗验证知识库的智能问答效果。

    • 对话工厂和多轮对话

      对话工厂提供意图和外部服务的集成功能。如要在对话工厂中配置意图,您需要为一个意图配置如下参数:

      • 意图名称,如:查询天气
      • 意图所需参数,如:位置、日期
      • 缺失参数时的提示,如:“您要查询哪个城市/日期的天气?”
      • 意图的处理逻辑,如:第三方天气查询服务或您自有的业务系统提供的天气查询服务

      当访问者与机器人的会话可以匹配到该意图时,机器人会基于“缺失参数时的提示”编排多轮会话来收集意图所需参数;当意图的全部参数收集完毕,会话机器人会调用意图处理逻辑中配置的服务来进行意图的处理。

      对话工厂还支持前置意图、后置意图编排功能,用来实现复杂的多轮会话和意图处理。

    • 会话API

      通过会话API将您的机器人部署到您的终端(网站、APP、移动硬件等等)后,您的终端的访问者即可开始与您的机器人进行会话。云小蜜提供了遵循阿里云OpenAPI标准的会话API,同时为会话API提供了支持多种编程语言的SDK。

    更多精品课程:

    阿里云大学官网(阿里云大学 - 官方网站,云生态下的创新人才工场

    展开全文
  • 无需亲自掌握NLP、AI等技术,您就可以使用云小蜜创建自己的会话机器人,将机器人部署在不同终端上(如网站、移动APP、智能硬件等),为您的客户提供服务。 课程链接:云小蜜人工智能训练师 云小蜜服务的优势: ...

    云小蜜(Intelligent Service Robot)是一款基于自然语言处理(NLP)和人工智能(AI)技术提供智能会话能力的云服务。无需亲自掌握NLP、AI等技术,您就可以使用云小蜜创建自己的会话机器人,将机器人部署在不同终端上(如网站、移动APP、智能硬件等),为您的客户提供服务。

    课程链接:云小蜜人工智能训练师

    云小蜜服务的优势:

    易于使用:无需成为NLP、AI专家,即可构建智能会话机器人,为客户提供服务。

    云端服务:云小蜜服务完全部署在云端,依托阿里云获得稳定的自动伸缩服务,无需关心基础设施的扩缩容问题。

    本体知识库:通过知识库功能以问答形式录入业务知识,机器人即可运用NLP和AI能力,智能理解访问者问题,寻找匹配度较高的答案,并将答案推送给他们。

    业务集成:通过对话工厂功能,将会话机器人与现有业务系统集成起来。会话机器人识别访问者意图后,可以通过现有业务系统对访问者的意图进行处理。

    标准API:提供遵循阿里云OpenAPI标准的会话API,并且提供支持多种开发语言的SDK。

    双十一考验:云小蜜是阿里小蜜系列产品首次向阿里集团之外的开放和赋能,集成了阿里小蜜在自然语言处理、人工智能、智能客服领域多年来的积累,稳定性、可靠性及准确性历经了多次双十一的考验。

    机器人的使用价值:

    客户体验佳:会话机器人可以秒级响应客户需求,提供24小时无间断服务,在高峰期间正常服务客户,并且可以基于实时需求和障碍预测客户需求,提供主动服务。

    运营成本低:会话机器人可以取代人工,帮助解决大量简单重复的客户咨询或者问题;还可以为员工提供智能辅助,提升员工工作效率。

    提升员工幸福感:智能辅助员工工作,帮助快速定位客户问题,让员工实现更大价值,提升工作幸福感。

    双语支持:会话机器人服务语言支持英文与简体中文两种,让您的服务可以触达更多人群。

    云小蜜对接业务
    云小蜜可以应用在下列业务场景中:

    • 无缝对接人工客服

    云小蜜机器人可以无缝对接人工客服系统。机器人配合人工客服一起,为客户提供服务。具体接待客户模式有以下三种:

    1. 人工优先:人工都挂起或离线时进入云小蜜机器人接待
    2. 机器人优先:所有咨询量优先进入云小蜜机器人接待
    3. 人机分流:咨询量按比例进入云小蜜机器人接待
    • 集成语音识别技术

    云小蜜机器人+语音识别可以实现基于语音的人机交互应用,为客户提供自然语音对话服务。用户的呼入语音通过ASR语音转写服务转换为文本,云小蜜会话接口进行会话理解并返回处理结果,返回的文本通过TTS服务合成为自然语音答复给客户。整个过程无缝衔接,为用户提供流畅的语音服务。

    机器人使用场景
    您可以在云小蜜平台上创建多个机器人,这些机器人可以用在以下场景中:

    • FAQ式知识问答

    机器人通过APP、Web等渠道呈现在用户面前。帮助解答用户问题。用户进入云小蜜机器人后,可设置机器人主动发送欢迎语、banner、简报等内容。

    • 商品导购

    用户有购买意图,但是没有清晰的目标商品时,机器人可以通过多轮对话,了解用户诉求,结合算法模型给用户推荐商品。

    • 业务办理

    机器人通过对话了解到用户意图后,可以直接协助用户办理业务。例如:订机票。

    • 生活助理

    机器人通过对话了解用户诉求后,可以帮助用户搜索获得信息。例如:查询天气。

    • 智能语音导航

    结合ASR(语音转文本)与TTS技术(文本转语音)技术,自动识别用户问题,并给用户提供答案。如:智能呼叫中心系统给用户打电话帮助用户办理业务。

    • 金牌话术

    根据用户问题快速给出答复或者推荐话术,引导客服人员给出更优质的答复。降低客服人员的学习成本和服务差异性。

    更多精品课程:

    阿里云大学官网(阿里云大学 - 官方网站,云生态下的创新人才工场

    展开全文
  • 在使用云小蜜的过程中,我发现如果不小心的话...进入阿里云-云小蜜-管理控制台-机器人(需要提前设计机器人)-机器人设置-知识业务知识编辑(知识挖掘我们先不管): 2.操作界面 2.1进入业务知识编辑后,页面展示如...
  • 在使用云小蜜的过程中,我发现如果不小心的话...进入阿里云-云小蜜-管理控制台-机器人(需要提前设计机器人)-机器人设置-知识业务知识编辑(知识挖掘我们先不管): 2.操作界面 2.1进入业务知识编辑后,页面展示如...
  • 云小蜜是一款面向开发者的会话机器人,支持在不同的消息端上实现基于自然语言处理(NLP)的智能会话,如网站、APP及实体机器人等。用户可以在云小蜜中配置自己特有的知识库实现智能问答,也可以通过多轮对话与第三方...
  • 阿里云--云小蜜人工智能训练师---视频ppt资源整理(方便查询)----常考知识点整理(大部分题目的答案)--------93分飘过
  • 云小蜜 阿里云 登陆地址:https://signin.aliyun.com/login.htm 文档地址:<https://help.aliyun.com/product/59495.html?spm=a2c4g.11186623.6.540.11b83097iPNirc 接口测试网址:...
  • 摘要: 10月12日“2017杭州·云栖大会...为了帮助企业在数据化时代领跑商业前沿,阿里云推出了面向企业效率的云上产品栈,云小蜜,就是其中的一个重要产品。 10月12日“2017杭州·云栖大会”上,阿里云副总裁李津做
  • 本文转载至农民小飞侠的CSDN博客:...最近有一个项目需要调用阿里云小蜜,我就拿python调用了一下,然后在官网居然没有找到很好的sample code。就只能自己硬着头皮写一下啦 import base64 im...
  • 本文转载至农民小飞侠的CSDN博客:...最近有一个项目需要调用阿里云小蜜,我就拿python调用了一下,然后在官网居然没有找到很好的sample code。就只能自己硬着头皮写一下啦 import base64 im...
  • python3:调用阿里云小蜜代码示例

    千次阅读 热门讨论 2018-02-12 16:40:29
    最近有一个项目需要调用阿里云小蜜,我就拿python调用了一下,然后在官网居然没有找到很好的sample code。就只能自己硬着头皮写一下啦import base64 import urllib.parse import hmac from hashlib import sha1 ...
  • 作为全球领先的智能客服产品及方案提供商,阿里云小蜜获得本次大会主办方颁发的“智能客服技术产品/解决方案大类推荐品牌”奖项。 7月24日,由客户世界机构主办,中国呼叫中心与电子商务发展研究院、全球呼叫中心...
  • 10月12日,2017杭州•云栖大会上,阿里云正式发布云小蜜——一款智能会话客服机器人。智能客服机器人云小蜜具备36个预置的细分领域知识包,支持中文英文会话,可以7*24小时在线工作。目前,已覆盖阿里巴巴生态圈二十...
  • 今天(10月12日),雷锋网在2017杭州•云栖大会前线带回报道,阿里云下午发布了一款智能会话客服机器人——「云小蜜」。 据雷锋网了解,这款客服机器人是之前「阿里小蜜」的「对外开放版」,2015年年底,阿里正式...
  • 小蜜:{response.Messages[0].Text.Content} " + $ " {System.Environment.NewLine} " ; } } catch (ServerException e) { msg = $ " ServerException:{e} " ; } catch (ClientException e) { msg ...
  • 阿里小蜜是阿里巴巴服务领域的重要人工智能产品,是服务于阿里巴巴经济体、商家、企业和政府的对话机器人家族,包括阿里小蜜、店小蜜、云小蜜小蜜机器人是基于大数据和人工智能技术形成的智能化、体系化客服系统,...
  • 阿里云小蜜对话机器人背后的核心算法 大中台、小前台,阿里小蜜这样突破对话机器人发展瓶颈 机器如何猜你所想?阿里小蜜预测平台揭秘 阿里小蜜:智能服务技术实践及场景探索 云小蜜:在中国移动的落地实践 ...
  • 凌云时刻 · 极鲜速递导读:11 月 1 日至 11 日,云小蜜全年最低价限时优惠!来源 |凌云时刻(微信号:linuxpk)2020 年 11 月 1 日~ 11 日,凡进行云小蜜...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 519
精华内容 207
关键字:

云小蜜机器人