同學們好，智能客服小講堂又上線啦~
上一期智能客服小講堂講解了智能客服的知識處理能力——（點擊藍字直達）。本期小講堂將會帶來新的技術解讀小e智能機器人官網，讓大家秒懂客服機器人是如何和用戶實現自如對話的。
任務型對話系統：
迅速解決用戶問題的關鍵
客服領域的智能機器人，宗旨就是要自然流暢、力爭快速準確地幫助用戶解決問題，那么這一過程是如何實現的呢?在回答這個問題之前，我們講兩個概念，任務型對話和任務型對話系統。在客服機器人的服務過程中，用戶大多都是帶著目的來咨詢的，比如想讓機器人辦理一張銀行卡、詢問當前時間、完成一次訂餐等。在開始對話之前，用戶已經有了明確的目的，對話的最終目標是完成任務，這樣進行的人機對話過程就屬于典型的任務型對話。任務型對話分為“單輪對話”和“多輪對話”。單輪對話類似傳統問答系統，是智能對話系統的初級應用，一般表現為一問一答形式，主要應用在會話目的明確、單一簡單的場景中，比如電商平臺的商品介紹、訂單信息查詢、退換貨流程介紹。而隨著用戶需求更為多元，在更復雜的業務場景中，用戶不能將任務所需的關鍵信息一次性表述完，需要人機分多個輪次進行的會話，這個過程叫做多輪對話。
多輪會話涉及會話上下文的維護，支持澄清反問、指代、實體替換，與單輪對話相比用于相對復雜的業務場景，例如租車、查天氣、外賣訂單等。
隨著用戶業務需求變得愈加復雜，當前的客服機器人需要有更智能的對話系統來處理人機對話，我們稱之為任務型對話系統。任務型對話系統一般是由自然語言理解（NLU）、對話狀態跟蹤（DST）、對話策略（DP）、自然語言生成（NLG）幾個模塊構成，DST和DP也可以統稱為對話管理模塊（DM）。
接下來就帶大家一起了解下自然語言理解（NLU）、對話管理（DM）和自然語言生成（NLG）這三個模塊是如何互相配合，實現機器與人類自如交流的。
自然語言理解（NLU）：
打破人機交流壁壘
想要實現人機交流同人和人交流一樣自然，首先要打破人機交流的壁壘，即讓機器學習并理解人類的語言，因此在任務式對話系統中，用戶輸入的語言要先行進入自然語言理解（NLU）模塊進行處理，針對用戶語言中的“意圖”、“實體”、“情感”和“態度”進行識別，以便后續系統對用戶問題進行目標評估和答案輸出。
意圖識別
當用戶帶著明確目的找客服機器人對話時，對于客服機器人而言首要任務就是分辨出用戶到底想要干什么。意圖識別就是從用戶的自然語言文本甚至語音信號中解析出用戶意圖的過程，是NLU的第一步，也可以看作是NLP中的一個簡單的文本分類任務。
用戶一般會通過一句話表明自己的目的或者訴求，比如：“看一下上個月花了多少錢”、“幫我查詢一下上個月的賬單”、“收到上個月的賬單和消費記錄對不上，麻煩幫我查一下”。不同人的表達不同，僅僅賬單查詢就有上萬種表述方式，在具體業務場景中機器人除了賬單查詢外，還要能聽懂用戶的其他需求，比如“信用卡辦理”，“理財推薦”等。
面對這種多樣化的需求，在業務梳理階段需要劃分清楚意圖；在模型優化階段，為了讓機器人更準確地理解用戶的多樣化表述，需要給機器人提供盡可能多的、表達豐富的數據，讓機器人學習到不同意圖的特征。
意圖識別作為百度智能客服系統重要的組成模塊，識別效果的準確與否直接決定著用戶的使用體驗。意圖是需要根據業務和使用場景事前定義好的，根據覆蓋領域、業務規模、細分程度的不同，一般會有從幾十個到上百個意圖。
實體識別
不同于單輪的知識問答機器人，只需要從知識庫中挑選最合適的答案返回給用戶，任務型對話機器人需要和用戶進行多輪交互。
以“訂餐”場景為例，僅僅知道了用戶意圖這個模糊的目的是不夠的，機器人還需要得到更精確的信息，才能幫助用戶完成訂餐任務，比如“時間”、“地點”、“就餐人數”等。在定義意圖的時候，還需要為該意圖預定義一系列的實體，通過多輪對話收集該意圖下的實體值小e智能機器人官網，使這個模糊目標更細化具體，從而完成任務，幫助用戶達到目的。
簡單的理解，實體是指人名、地名、數字、日期、號碼等一類概念的實例。在具體的業務場景中，需要結合場景業務流程，配置自定義的實體，譬如辦卡場景中的“卡名稱”，訂餐場景中“菜名”等。
例如，“我想預定西二旗附近的海底撈”是在“訂餐”這個意圖下，假設我們預設了“時間”、“地點”、“就餐人數”，“西二旗”這個實體就定位到了“地點”這個實體，機器人就可以在后續的服務過程中以“西二旗”為篩選條件來提供用戶需要的信息。而缺失的兩個實體“時間”和“就餐人數”，就需要機器在后續的問答中明確收集后再補充進去。
情感識別和態度識別
為了讓機器更人性化，提供有溫度的服務，還需要賦予機器更多的感知力，比如感知用戶的情感和態度。因此“情感”和“態度”識別也是NLU模塊的組成部分，簡單理解就是機器可以根據用戶的句式句法來判斷對方在說話時的情感和態度。
情感識別是針對對話文本，識別出會話者所表現出的情緒，一般包含積極、消極和中立三種情緒；態度識別是針對對話文本，識別出會話者所表現的態度，一般包含肯定、否定和中立三種態度。在對話流程中，可以基于會話者的情感和態度返回指定話術或者進行流程跳轉。
對話管理（DM）：
對話系統的中樞
在進行完自然語言理解模塊（NLU）的識別后，系統會將結果作為輸入，轉入對話系統的中樞--對話管理模塊（DM）。對話管理模塊根據用戶輸入的內容，進行會話節點選擇、會話狀態遷移和維護等動作，模塊內部可以劃分為對話狀態跟蹤（DST）和對話策略（DP）兩個部分。如下圖所示，DST要對每一輪次的對話和上下文進行會話狀態評估，即從當前所處業務的樹形結構中，依據內置策略和優先級進行篩選，從而選定或更新會話節點，之后DP則需要根據DST跟蹤到的節點生成下一個可用的操作，如業務系統調用、節點跳轉等動作。
例如下圖有關租車需求的對話管理模塊。當會話狀態遇到“檢查車型實體”節點，系統即需要對當前會話內容進行檢測，遇不同節點條件，進行預設的執行動作則對應不同。
自然語言生成（NLG）：
像真人對話一樣自然
根據上一模塊所選擇的會話節點，會話系統通過自然語言生成模塊（NLG）生成回復信息，完成和用戶的一輪交互。
在百度智能客服對話系統中，支持回復信息的類型包括文本、圖片、錄音、模板，回復信息的來源包括用戶配置、業務系統調用獲取。每個會話樹節點都可以配置回復信息，最終的回復信息基于會話遷移過程中觸發的節點依次將各個節點的回復信息進行拼接，更好支持真實客戶業務系統個性化的回復，讓機器人的回復像真人對話一樣自然。
在實際的客服機器人和用戶的對話場景中，任務式對話系統是由上述三個模塊不斷往復進行，以實現和用戶的多輪對話，直到用戶的需求得到最終解決。例如，在一個租車業務場景和天氣查詢業務場景下的多輪對話：
①用戶通過表述租車意圖，觸發租車業務場景，機器人根據租車場景需要收集的實體配置進行相應的會話狀態遷移，并生成回復信息；②在租車場景中用戶突然表述了天氣查詢的意圖，會話狀態切換到天氣查詢的場景中，這里系統支持兩個場景收集到的實體共享或獨立；③在完成天氣查詢場景后，用戶可主動表述上一個租車業務場景意圖或系統主動引導，會話狀態遷移回租車場景，進而完成相應的會話流程；④當用戶表述相應的會話實體替換的語義時，例中由“SUV”換為“小型車”，系統會觸發實體替換邏輯，并執行對應回復。
在這個會話過程中，智能客服機器人可以準確理解用戶的意圖，通過對會話狀態的管理，可以自如地切換到新的會話場景或切換回原有的會話場景中，快速直接地完成回復，滿足用戶的多樣需求。在用戶需求愈加多元，業務場景愈加復雜的客服領域，百度領先的自然語言理解技術賦能了智能客服強大的對話能力。依托二十年以來在中文搜索領域的積累，百度自然語言處理技術接連獲得多個世界級技術評測冠軍：2017年獲中國電子學會科技進步一等獎；2018年獲NIPS （AI for ） 全球冠軍；2019年，在第十三屆國際語義評測比賽中排名第一。在實際業務場景中，百度智能云智能客服對話系統依托百度NLP技術實現用戶意圖、情感和態度的精準識別；由任務式會話引擎驅動可實現實體替換、澄清、指代和會話引導，讓對話更加自然，幫助用戶高效解決問題；利用抽象出的“所見即所得”的對話樹配置方式實現新場景的快速搭建和落地，在項目中得到了用戶的廣泛好評。百度智能云的客服機器人實現了名副其實的智能，正在為更多行業的智能化升級提供實際路徑和巨大價值。
百聞不如一試，想了解智能客服究竟有多神奇，不妨點擊文末左下角【閱讀原文】，親身體驗吧！