智能人机交互在电商领域的技术实践 ——阿里小蜜

作者：周伟，陈海青
责编：何永灿，欢迎人工智能领域技术投稿、约稿、给文章纠错，请发送邮件至heyc#csdn.net（#改为@）
本文为《程序员》原创文章，更多精彩文章请订阅《程序员》

智能人机交互领域的介绍

行业分类及目前的应用状况

在全球人工智能领域不断发展的今天，包括Google、Facebook、Microsoft、Amazon、Apple等互联网公司相继推出了自己的智能私人助理和机器人平台。智能人机交互通过拟人化的交互体验逐步在智能客服、任务助理、智能家居、智能硬件、互动聊天等领域发挥巨大的作用和价值。因此，各大公司都将智能聊天机器人作为未来入口级别的应用对待。今天随着市场的进一步发展，聊天机器人按照产品和服务的类型主要可分为：客服、娱乐、助理、教育、服务等类型。

图1截取了部分聊天机器人。

图1 Chatbot汇总

阿里小蜜在电商领域的状况

2015年7月，阿里推出了自己的智能私人助理——阿里小蜜，一个围绕着电子商务领域中的服务、导购以及任务助理为核心的智能人机交互产品。通过电子商务领域与智能人机交互领域的结合，带来传统服务行业模式的变化与体验的提升。在去年的双十一期间，阿里小蜜整体智能服务量达到643万，其中智能解决率达到95%，智能服务在整个服务量（总服务量=智能服务量+在线人工服务量+电话服务量）占比也达到95%，成为了双十一期间服务的绝对主力。

电商领域下阿里小蜜的技术实践

技术overview

智能人机交互系统，俗称：Chatbot系统或者bot系统，图2是人机交互的流程图。

图2 人机交互的流程

核心是NLU（自然语言理解），通过对话系统处理，最后通过自然语言生成的方式给出答案。一段语言如何理解对于计算机来说是非常有难度的，例如：“苹果”这个词就具备至少两个含义，一个是水果属性的“苹果”，还有一个是知名互联网公司属性的“苹果”。

意图与匹配分层的技术架构体系

在阿里小蜜这样的电子商务领域场景中，对接的有客服、助理、聊天几大类机器人。这些机器人，由于本身的目标不同，就导致不能用同一套技术框架来解决。因此，先采用分领域分层分场景的方式进行架构抽象，然后再根据不同的分层和分场景采用不同的机器学习方法进行技术设计。首先我们将对话系统从分成两层：

• 意图识别层：识别语言的真实意图，将意图进行分类并进行意图属性抽取。意图决定了后续的领域识别流程，因此意图层是一个结合上下文数据模型与领域数据模型不断对意图进行明确和推理的过程；
• 问答匹配层：对问题进行匹配识别及生成答案的过程。在阿里小蜜的对话体系中我们按照业务场景进行了三种典型问题类型的划分，并且依据三种类型，采用不同的匹配流程和方法：
  
  • 问答型：例如“密码忘记怎么办？”→ 采用基于知识图谱构建+检索模型匹配方式；
  • 任务型：例如“我想订一张明天从杭州到北京的机票”→ 意图决策+slots filling的匹配以及基于深度强化学习的方式；
  • 语聊型：例如“我心情不好”→ 检索模型与Deep Learning相结合的方式。

图3表示了阿里小蜜的意图和匹配分层的技术架构。

图3 阿里小蜜的意图和匹配分层的技术架构

意图识别介绍：结合用户行为Deep Learning模型的实践

通常将意图识别抽象成机器学习中的分类问题，在阿里小蜜的技术方案中除了传统的文本特征之外，考虑到本身在对话领域中存在语义意图不完整的情况，我们也加入了用实时、离线用户本身的行为及用户本身相关的特征，通过深度学习方案构建