智能客服--大厂对话系统实践 总结_智能客服 意图识别 槽位填充

智能客服：

咨询问答、任务型多轮对话、闲聊客服
一、闲聊
检索式 or 生成式
二、咨询问答
（1）创建 问答库
（2）QA | QQ 文本形似度 得到相似度问题 & 答案
三、任务型多轮对话
（1）意图识别
（2）槽位填充

爱因的 DeepBot 架构（见下图有一个总控（DM vs RouteBot）决定把当前对话分配给哪个（些）技能，技能也都采用了可插拔的设计。

对话系统主要包含两部分的内容：NLU模块 & 对话管理模块

NLU模块

主要方法

1、基于规则的方法
第一种是基于规则的方法，大致的思路是定义很多语法规则，即表达某种特定意思的具体方式，然后根据规则去解析输入的文本。
2、基于统计的方法
基于统计的NLU使用数据驱动的方法来解决意图识别和实体抽取的问题。意图识别可以描述成一个分类问题，输入是文本特征，输出是它所属的意图分类。传统的机器学习模型，如SVM、Adaboost都可以用来解决该问题。实体抽取则可以描述成一个序列标注问题，输入是文本特征，输出是每个词或每个字属于实体的概率。

对话管理模块

主要功能

DM是对话系统的大脑，它主要干两件事情：
1）维护和更新对话的状态。对话状态是一种机器能够处理的数据表征，包含所有可能会影响到接下来决策的信息，如NLU模块的输出、用户的特征等；
2）基于当前的对话状态，选择接下来合适的动作。
举一个具体的例子，用户说「帮我叫一辆车回家」，此时对话状态包括NLU模块的输出、用户的位置、历史行为等特征。在这个状态下，系统接下来的动作可能有几种：1）向用户询问起点，如「请问从哪里出发」；2）向用户确认起点，如「请问从公司出发吗」；3）直接为用户叫车，「马上为你叫车从公司回家」。

主要方法

1、基于有限状态机
2、基于统计的方法
3、基于神经网络的方法

---

微软小冰–对话管理模块

对话管理（Dialogue Menager）主要有两个功能:状态追踪模块 & 对话策略模块

阿里小蜜

意图分类（分类的特征不仅用到i了query文本的特征+用户特征+用户行为特征）

Task Bot

eg:天气查询

• Intent（意图） :意图是Domain内部的细分。天气Domain中，既有普通的天气查询Intent，也存在空气质查询的Intent。
• Entity （实体）: 代表了一种对象类别，例如本体(如明星、电影)、常见的命名实体（时间、地点）以及一些短语集合都可以作为实体。天气领领域就有时间、城市两个实体。
• IntentParamter（参数） :参数是实体的实例化，“帮我订从杭州到北京的机票”，其中“杭州”与“北京”都对应city这个实体，而“杭州”对应参数出发城市startCity，“北京”对应参数endCity。对应到国资委中的天气领域，就有查询时间与查询城市。