主动对话中冷场问题的一些思考

在营销对话系统中，当机器人助理回答完客户问题，客户没有进一步提问或反馈时，就会陷入尴尬情景中，这是人机对话中比较著名的冷场问题。机器人如何抛出合理的话题化解冷场，引导客户进一步提问，对提高客群转化率非常关键。

我们尝试着将这个问题模型拆分为历史对话模型、客户画像投射模型、客户注意力聚焦模型和客户关注点匹配模型，尝试从各个维度分别击破。

 

首先，需要了解客户需要什么

判断依据是历史对话、客户画像，比如理财产品、保险营销场景下，需要通过知识图谱、历史对话发现客户是否需要这些产品。

如客户提到过“Hi，易方达消费怎么这么赚钱”，说明客户对基金收益有需求。

如果客户画像显示用户购买过货币或债券类基金，但没赚多少钱，说明用户过去是稳健投资类型，但是近期可能缺钱，开始追求高收益投资，这也许是一个合适的推荐贷款产品的机会。

为达到上述目的，我们需要一个分析过往历史对话的NLP模型，分析客户画像投射的知识图谱模型。

 

其次，需要分析客户可能的关注点

如果用户的过往历史对话或客户画像显示用户的需求十分广泛，不仅关注债券、货币基金，还关注股票基金、期货、LOF、ETF、股票、私募等几乎市面上看到的所有投资产品，甚至不放过买彩票。这时候问题来了，过多的客户需求其实和没有需求没什么区别，机器人不能就所有点向客户抛一遍。

因此，我们迫切需要一个注意力模型，从众多的关注点中，找出客户最感兴趣的点。Bert模型采用的自注意力机制在识别对话要点中被证明是一个非常好的模型，那借鉴这种思路，是否也能设计一个客户注意力聚焦模型呢？客户的关注点虽然多，但是正常人总是有一些他认为核心的要点，只是不好发现而已。

 

然后，需要判断抛出点是否匹配

假设我能分析出客户的各种可能需求，我通过注意力聚焦模型分析出客户最可能的关注点，那是不是意味着我就可以高枕无忧了呢？比如，客户需要一个女/男朋友，这几乎是一个真实需求，但理财机器人不太可能真给客户找一个吧(情感辅助类机器人除外)。

因此，需要一个关注点匹配模型，帮助分析前期分析出的关注点是否和当前场景相配，是否对实现客户转化有益处。

好的，就下来就是我们想办法实现和运行这些模型的问题了。