智能客服--大厂对话系统实践 总结

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

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。

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」。

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