AI学习笔记--人机对话的四种形态

AI学习笔记--人机对话的四种形态

>
      <div class="show-content-free">
        <p>最近在筹备转行 AI PM 由于之前的产品线也有做过类似 AI 的智能客服产品，所以打算先从人机对话这个角度入手。</p><p>以下文章结合了一些 case，对人机对话的四种形态做了较为浅显的概念介绍，其中“以任务为驱动的多轮对话”做重点介绍。这篇文章比较适合想要简单了解 AI 人机对话技术逻辑的 0 技术基础PM 。学习资料来源有三角兽、图灵机器人、携程技术中心（知乎）。</p><p>“人机对话，是人工智能领域的一个子方向，通俗的讲就是<b><i>让人可以通过人类的语言（即自然语言）与计算机进行交互</i></b>。作为人工智能的终极难题之一，一个完整的人机对话系统涉及到的技术极为广泛，例如计算机科学中的语音技术，自然语言处理，机器学习，规划与推理，知识工程，甚至语言学和认知科学中的许多理论在人机对话中都有所应用。”</p><p><b><i>人机对话可以分为以下四种形态：开放域聊天、任务驱动的多轮对话、问答和推荐。当然，一个人机对话产品很可能是以上四种形态的混合。</i></b></p><h3><b>一、开放域聊天（open domain）：</b></h3><p>&nbsp; &nbsp; &nbsp;开放域聊天<b>非面向目标、语义意图不明确。</b>用户通常期望的是语义相关性和渐进性，对准确率要求较低。开放域聊天在现有的人机对话系统中，主要起到拉近距离，建立信任关系，情感陪伴，顺滑对话过程（例如在任务类对话无法满足用户需求时）和提高用户粘性的作用。这一形态的典型产品代表有微软小冰，助理来也，siri，度秘...</p><p>&nbsp; &nbsp; &nbsp;开放域聊天与以下的几种对话（task oriented etc.）有较为明显的区别，因为用户可能不涉及具体任务，场景更加开放，休闲。相应的，用户期望也会产生变化，从期望帮助完成某个硬性/客观的任务（如多轮对话）到期望机器理解主观的情感，并进行情感交流。借用 Google对话式交互设计指南中的话来说，就是<b>“人们会对媒介角色（如虚拟助理）产生像对真人一样的心理反应，我们会本能地将人类个性与性格迁移到数字对话中去”。</b><b>&nbsp;</b>因此相较而言，这种产品的用户体验与交互设计就显得格外重要。用户希望跟一个有温度的机器人聊天，希望自己的情感被理解并得到正向的反馈，当你在想象 ta 的时候，第一印象不是你的智能手机，而是在脑海里刻画出一个或萌或可爱或闷骚的真实形象（比如 Her）。</p><p>&nbsp; &nbsp; &nbsp; 开放域聊天的技术路线通常有&nbsp;<b>GenerationModel（生成模型）和&nbsp;RetrievalModel（检索模型）</b>。IR模型的优势在于有良好的<b>可读性</b>，较好的回复<b>多样性，</b>同时容易测评和分析；其缺点在于严重依赖数据，对于 context 的理解处理较差。生成模式通常会基于 seq2seq 框架，好处在于不需要维护一个巨大的 Q-R dataset，且是 E2E 的学习模式；缺点在于可读性差，回复单一，难以测评。两种模型共同面临的挑战主要有：context的处理以及如何把 user profile 运用在回答的个性化处理上。以下是两种模型对query 的处理过程：</p><p>（1）IR模型：</p><div class="image-package">

（2）基于生成的技术路线

      目前，open domain的人机对话存在有以下主要问题：（1）短文本语义关系计算；（2）基于IR的自动聊天框架下的上下文相关模型；（3）外部知识在聊天模型中的引入；（4）readability & diversity；（5）引入 user profile 的个性元素。

     开放域聊天的评价指标主要涉及单轮相关度；整体满意度；用户活跃度。

单轮相关度：

（1）相关性：不相关=-1；略相关=0；相关=1

（2）趣味性：相关但无趣=0；相关且有趣=1

整体满意度：

（1）顺畅度

（2）自然度

用户活跃度：

（1）平均持续对话轮次

（2）用户平均对话次数

二、以任务为驱动的多轮对话

1、定义：用户带着一定的目标前来使用产品，且由于任务的复杂性，用户需要将需求分多轮进行描述。机器则需要给出每一轮的限制条件下的最佳决策，并且对当前状态（context）进行记录。

2、作用：能够帮助用户完成复杂任务；缩短完成任务需要的路径；减少为了完成任务，搜集信息的时间成本

3、典型代表：阿里小蜜，京东JIMI等智能客服

4、特点和适用场景：用户任务目标 / 任务完成路径清晰。

个人认为，这种任务驱动的多轮对话形式，非常适合在一些专业性要求高的垂直领域，例如买车，理财（智能投顾），教育（课程匹配）...同时适合一些需要大量搜集信息才能完成的任务场景，例如股票的买卖（往往需要大量信息支撑决策），二手车交易etc. 智能机器人能够把大量的信息整合，通过对话理解用户需求，只从知识库中抽取用户需要的信息进行返回，节约信息获取的时间成本。

5、产品评估指标：

自然语言理解程度：准确率、召回率、F-score

对话状态追踪（DST）：概率分布的优劣

对话结果准确性（最直观的业务指标）：对话轮次，任务完成率

6、交互过程分析（以一轮对话为例）：

人键入自然语言→预处理成结构化语义表示（dialogue act=communicative function+slot-value pair）→意图识别 →当前状态下的最优决策结果输出 → 记录上下文语境（context，即需要维护当前状态），对话状态追踪→人对于结果进行操作（认同结果 or 继续交互）

step1 结构化语义表示：

     即将自然语言的 query 识别成结构化的语义表示。在对话系统中，这个结构化的语义表示通常被称作 dialogue act 由 communicative function 和 slot-value pairs 组成，其中 communicative function 表示 query 的类型（如：陈述需求，询问属性，否定，选择疑问，等等）而每个 slot-value pair（槽） 则表达一个限制条件（constraint），也可理解为用户目标的一个组成单元。常见的 communicative function 类型：

语义结构化表示case： query = “帮我选一辆 3 月上市的国产 SUV” 

     对应的 dialogue act 可以表示为 inform(model = suv，nation = 国产，time=Mar.)。这里  communicative function 是 inform ，表示陈述需求。而 “model = suv，nation = 国产，time=Mar.” 是限制条件。有时候我们也把model，nation，time等称之为“槽”，而suv，国产，Mar.等称之为槽值。下图可以很好的解释填槽的过程（图源：https://yq.aliyun.com/articles/276269）

step 2 意图识别与管理：

（i）用户偏向于短句的表达。因此，识别用户的意图，要与上下文(context)进行结合。

（ii）在多轮交互中用户会不断的添加或修改意图的子意图，需要维护一份当前识别的意图集合。

（iii）商品意图之间存在着互斥，相似，上下位等关系。不同的关系对应的意图管理也不同。

（iv）属性意图存在着归类和互斥的问题。

**这里有几条 Google 的对话式交互设计指南中的几条准则适用于 PM 和开发者：

（i）串联（Threading）：设计师要考虑到用户键入的自然语言的特点，注意上下文和语境

（ii）短语句效率：人们在日常聊天中倾向使用短语句，因为与我们对话的人会自动地把短语句进行潜台词填充。因此机器也要注意对短语句的潜台词填充

（iii）用户行为的多样性：对于机器的一个回复，不同的用户会采用不同的词汇和表达方式，产品设计应该支持这种多样性，设计师应该关注“愉悦路径”，并在所有的场景下保持体验的稳定性

step 3 当前状态下的最优决策结果输出 & 对话状态追踪（DST）

对用户意图进行识别后，系统要反馈给当前意图下的最优决策结果，流程如下图所示。

忘记是在哪里截到的图了，有可能是携程技术中心的专栏哈.. 侵删

然而用户的需求并不是一成不变的，目标也往往需要多轮对话才能达成。那么就需要我们对对话状态进行追踪，去结合上文语境，了解用户目标到底是什么，给出全局的最优策略解（而非单个对话轮次）。

eg：

第一轮对话：“帮我选一辆国产 SUV” ，slot-value pairs：nation = 国产，model=SUV.

第二轮对话：“想看看最新出的车”，slot-value pairs：nation =国产，model=SUV，time=latest

我们要做的，是对 user goal 的识别。而 user goal 可以表示成 slot-value pairs 的组合。每一个 slot 上都可能有 value，每个 value对应一个置信概率，于是能够形成每个 slot 上的边缘置信状态（marginal belief）；然后所有slot-value pairs的组合的概率分布就形成联合置信状态。随着slot-value的数量变化，概率分布同样发生变化，则会影响到我们输出的结果。

这里有一点需要注意，即【槽继承】

譬如，第一轮对话：

user：帮我选一辆国产 SUV      bot：好的，你想要大概什么价位区间的呢？

user：20万左右的吧                  bot：好的（输出结果）

user：算了，还是看看轿车吧

bot：这里要输出 nation=国产，price=20w+-5w，model=轿车，即继承前序对话的 nation 和 price 部分，而非再次询问用户的价格等意愿

step 4 人与结果的交互

关注人与结果的交互，意义在于两个方面：

（i）产品是否真的有效率：即正确识别用户意图，并通过较少的对话轮次帮助用户达成目标。

（ii）用户画像的建立：例如某些金融领域智能客服，记录用户与理财产品推荐列表这一结果的交互（浏览，仅点击，点击后成交...）能够构建更为丰富的用户画像，了解用户的风险偏好，资产配置倾向，从而不断提高理财产品与用户的匹配程度。

Reward 设计思路：

某篇文章把这种交互称之为 Reward，并给出了电商商品推荐场景下 Reward 的设计思路：

a) 用户的点击的reward设置成1；

b) 成交设置成[1 + math.log(price + 1.0) ]；

c) 其余的设置成0.1

三、问答

此处的问答，指的是一问一答，即直接根据用户问题给出精准答案，如”北京今天多少度“。问答更类似信息检索，虽然可能也涉及上下文处理，如”那么明天多少度“，但通常是通过只带消解和 query 补全来完成。问答与多伦对话最根本的区别在于”系统是否需要维护一个用户目标状态的表示（我的理解是上述所说的slot-value pair的变化）和是否需要一个决策过程来完成任务。

四、推荐

上述三种对话模式基本上都基于用户的主动 query，而推荐则是系统主动发起的。推荐往往基于用户画像做个性化定制；或基于已有的大量对话数据、给出用户最可能询问的query model，例如阿里客服界面中，用户未发起 query时，系统即给出”猜你可能想问....“的question cards。

以上就是常见的 4种借助 AI 技术的人机对话式产品。

个人认为，产品经理想要向AI PM 转型，首先要对基础概念有一定了解，同时要花费更多精力去验证需求的真伪：AI与具体场景的结合，是不是真正地提高了用户效率。

恩，那么就先到这里，午休结束，要上班啦！

下次有空聊聊所谓的“智能助理”~