蘇寧李偉：蘇寧機器人平台會話商務系統實踐

本文根據【創客168】第12期《人工智慧技術與智慧辦公》現場演講嘉賓李偉老師分享內容整理而成，文字整理@IT168鈺瑩

講師簡介

▲李偉

李偉，清華大學人工智慧方向博士，在數據、演算法、架構等方面擁有多年經驗，曾任雅虎公司科學家，負責個性化首頁、推薦、廣告等演算法業務;百度資深工程師，負責貼吧、知道等相關演算法。目前擔任蘇寧技術研究院人工智慧實驗室技術總監，兼北京負責人，主要負責智能機器人平台，主導智能商務、智能家居等智能渠道業務的研發工作。之前分別在Intel、微軟公司實習和工作，對機器學習、數據挖掘、自然語言處理、深度學習和計算機視覺等有著豐富的經驗，目的是利用人工智慧技術助推智慧零售。

正文

大家好，我是蘇寧技術研究院北京分院的負責人李偉，我今天分享的主題是《蘇寧機器人平台——會話商務系統實踐》，主要分為以下幾個部分：

第一部分：回顧什麼是會話系統;第二部分：介紹基於搜索的問答系統基本架構;第三部分：基於槽填充模型的意圖理解;第四部分：基於回歸模型的智能客服系統，三、四兩部分目前已成功集成到蘇寧智能家居以及內部員工財務、IT等平台，之後將逐步推廣到易購客服系統;第五部分：蘇寧目前採用的人機協同基本架構是AI+HI，大部分情況下，在線和離線數據標註都需要人工參與，整個會話系統架構離不開數據積累，因此不完全是AI或AI-First戰略;最後是蘇寧智能機器人平台的簡單架構介紹。

首先回顧信息檢索的趨勢變化。目前，會話系統、自動問答系統的很多架構以及數據都源於信息檢索系統。

七十年代，人們非常熟悉圖書館檢索，根據書號尋找並借閱自己感興趣的書。九十年代，互聯網興起，第一批互聯網還未出現檢索系統，美國雅虎最開始做3W，但這並不是檢索系統而是以分類方式給用戶提供便利的信息訪問，當用戶想尋找某類信息時，首先進入大眾分類體系，逐級向下查詢所需信息，但這種方式存在明顯的弊端，該分類體系難以創建，若作為靜態結構又難以維護，當長尾信息非常多的時候難以分類，通過人工維護也相當不方便，這讓雅虎、谷歌、百度都投身於搜索引擎研發之中，自動問答會話系統的雛形應運而生。2015年，隨著大數據時代的到來以及深度學習的發展，會話系統以及整個會話時代才慢慢開啟。

問答系統的基本定義是機器或者某個程序自動回答用戶問題，問答系統的類型大概分為以下維度：一是根據問題類型劃分，比如事實類問題、觀點類問題，是否類問題等，二是根據內容劃分，分成文本會話系統以及可視化會話系統。實際上，自動問答基本是會話系統背後的核心技術，會話系統中的很多架構以及演算法都是從自動問答里借鑒過來的。以下是問答系統的基本架構：

用戶提出問題之後，系統會首先有一個Query understanding的過程，這之中可能涉及問題的擴展以及意圖理解，接下來會同時做問題的類型檢測和判斷，為什麼要同時做這兩件事情呢?比如，用戶想買蘋果手機，系統反饋回來的是一箱富士蘋果的價錢，用戶會覺得非常不相關。所以，首先要判斷問題類型，判斷屬於數碼手機還是水果，接下來做一系列和檢索系統或模型相關的事情。

常見的檢索排序模型有文檔檢索、相關文檔抽取、段落檢索等，我們從中獲取想要的答案再返回給用戶，這是目前比較常用的一套Q&A架構。

當前會話系統基本可分為兩類，一類是閑聊陪伴機器人，可以與用戶在某個特定或開放領域內自由聊天，比如微軟小冰;一類是面向任務的機器人，幫用戶解決特定領域的任務，比如蘋果的Siri。當然，這之間的界限並不是特別清晰，也有很多機器人是混合型的，兩種功能都具備。

以上是Task Bot的架構，很多Task Bot不具備語音識別功能，蘇寧的Task Bot具備該功能，同時可通過文本方式完成用戶需求。如果用戶通過語音會話系統提出需求，第一步就進行語音識別，這就存在一個識別準確性的問題，如果識別有誤，我們將進行語意糾錯。如果識別正確，則繼續執行。

接下來就是理解部分，這包括三部分內容：一是領域分類，二是用戶意圖理解，三是槽填充模型，最後會識別成用戶所需要的語意框架模型。之後，主要是會話管理，對會話狀態進行跟蹤，根據當前狀態及所觀測的用戶行為決定會話系統的下一步動作。然後是NLG(Natural language Generation)，根據模板生成一段自然語言返回給用戶，以響應用戶發出的指令。

例如，用戶希望機器人播放本周比較流行的爵士樂，機器人通過語音識別了解用戶需求，在識別正確的情況下，繼續理解用戶意圖。領域分類明顯屬於音樂播放，用戶意圖是爵士樂，接下來運用槽填充模型完善所需屬性，在音樂庫中對條件進行檢索，最後返回給用戶。

接下來，我們進行簡單細化。當然，重點是談NLU用戶意圖理解部分，包括三大子模塊：領域分類、意圖理解、槽填充模型。在講整個NLU用戶意圖理解之前，我們首先看一下語意框架模型：

假設用戶需求是：買一個黑色的、適用於男性用戶的蘋果手機。

首先識別用戶意圖是購物，品牌是蘋果，顏色是黑色，適用人群是男性，我們將這些屬性填充到對應的槽值中，當然具體商品可能不止這三個屬性，我們可以通過多輪交互的方式明確用戶需求，在滿足條件之後觸髮結束當前場景，調用搜索系統，把相關產品推薦給用戶。

領域分類實際上是比較直接的，分類模型很大程度上依賴於人工標註的領域知識庫，我們根據用戶話術明確用戶需求，領域分類完成以後就是意圖理解部分。

然後是槽填充，通過用戶需求和多輪互動的方式完成屬性的槽填充，用戶完全通過文本或自然語言的方式描述需求，相對之前的方式提供了一些便利，但這種方式一旦理解不精準就會產生很大偏差，目前蘇寧也在不斷開發和優化過程中。

接下來具體介紹一下槽填充模型，槽填充模型類似信息和關係抽取，這是自然語言數據里的經典任務，定義是在給定的實體或具體任務里把丟失的信息和屬性回填上去，基本完成的事情是entity/task，slot和filler，entity/task可以是一個實體也可以是具體任務，針對任務和實體會有一些待填充的槽，目的是通過會話系統用filler把槽填充完成。我們在設計會話系統時，會收集用戶信息再將信息返回給用戶進行確認，這就是一個簡單的slot filling的例子。

這種槽填充模型的應用場景非常廣泛，我們希望通過單輪或多輪交互以及會話系統將槽填充完成。而這種會話系統在其他領域也可以用到，比如，在商品領域中，我們會用到屬性填充以及屬性糾錯。

當我們發現某件商品的屬性在易購或京東上有缺失，而在天貓上比較完備時，我們會將天貓上的屬性抓取過來，與易購或京東上的商品進行匹配，若匹配成功，則將缺失屬性回填上去，這就是槽填充模型的具體應用。該模型還可應用於實體畫像的完善，比如，當我們百度「劉德華」時，發現其在搜搜問問中的畫像不是很完整，而在知乎或其他地方可提取到缺失屬性，經匹配成功後便可填充到缺失的槽中。

槽填充模型的具體方法分為很多種，一類是完全基於模板匹配，這些模板是固定的響應模板，比如我喜歡、我想聽某類人的歌，如果判定屬於該模板，則只需將缺失的歌手信息填充進去即可，這類方法的使用也比較廣泛。另一類是將其形式化成序列標註任務，該方法會將每個詞都打上標籤，比如，給我買一張明天一早從北京到上海的機票，用戶意圖識別為買機票，待填充的槽值為起始時間、起始地點。在不確定用戶具體時間的情況下，機器會給出明天一早從北京到上海的所有航班信息，詢問用戶的具體選擇。

當然，在某些情況下，既可以當作序列標註的任務去做，也可以當分類任務進行分解，將具體的詞用序列標註的方式打標籤，這是傳統分類模型的任務。用分類模型對對應的槽和值做交叉組合，可以運用一些回歸或向量積的方式解決槽與值之間的匹配問題。

蘇寧目前基於語意框架模型，slot filling技術已經實現了蘇寧智能家居中的家電控制和場景控制，蘇寧現在可控制大概十五種家電設備，後續還在不斷擴充。目前的QPS非常短，響應時間在三毫秒以內，同時準確率和召回率也非常高，我們有部分用到了語音識別，但效果並不是特別好，影響了家電控制的準確率。

以上是蘇寧家電控制的演示圖，比如，將空調調成20度，控制設備是空調，具體動作是調溫。解析結果中的對應設備類型是空調，給用戶返回TTS，完成需求之後會給用戶響應，通過文本或語音合成方式告知用戶具體行為。

接下來是智能客服領域，目前來說該領域2B的應用場景非常多，比如，銀行和電商平台的智能客服，智能客服的目的不是為了替代人工客服，而是在特定場景和領域下幫助人工客服更好地完成用戶需求。

智能客服的幾種應用場景如下：一是機器人優先模式，在任何情況下，機器人都先於人工客服回答用戶問題;二是機器人輔助應答模式，無論人工客服是否繁忙，機器人都不優先回答客戶問題，而是將答案優先返回給人工客服，由人工客服來判斷答案好壞，選擇是否直接將答案返回給用戶，這在一定程度上緩解了人工客服的壓力，同時保證了服務質量;三是排隊，在人工客服繁忙時，機器人優先接入;四是離線，當人工客服處於離線狀態時，可接入機器人及時回答用戶問題。

以上是蘇寧基於回歸模型搭建智能客服的簡單例子。首先，我們把問題形式化成回歸模型，對問題進行分類，比如有標準問、相似問等，還有答案以及話術具備的標籤。這是蘇寧內部員工平台的簡單客服，基於一些具體數據，用一個二分類的回歸模型訓練智能客服模型，具體架構大概如下：

具體問題中也包括一些相似問，我們可對數據進行篩選，提取不相關的非相似問，經過預處理、特徵提取和選擇以後，再訓練模型，問題和相似問的標籤是1，問題和非相似問的標籤是0，我們可以訓練一個binary regression模型。

該模型目前在蘇寧內部的應用效果還是不錯的，機器交互的優點也很明顯，7*24小時在線的同時還滿足高並發需求。但是，當詢問某類問題的員工較多時，還是會出現延遲。

智能客服在蘇寧內部提供的服務包括IT服務、財務服務還有人事服務，目前的準確率和召回率尚未達到滿意的程度，蘇寧後期將會持續優化。

以上是蘇寧內部的智能機器人服務號，它具備閑聊陪伴、互動聊天和百科問答等功能，也涉及一些簡單的購物場景，購物場景將涉及多輪交互，目前還未完全開發完畢。

蘇寧內部提出了一個AI+HI=MI的觀點，這裡的MI指的是Mix Intelligence，實際上目前大部分人工智慧應用都離不開人的參與，智能化離不開協同化，這裡涉及人機協同，比如在線和離線數據標註，都需要很多人工參與，不斷循環迭代。HI的參與讓AI得以不斷完善，AI完全依靠演算法優化以及冷啟動策略是很難快速成長起來的。以下是蘇寧內部智能機器人平台的基本架構：

該架構底層是基本數據層，我們可能會爬取很多百科、競品或社區數據;第二層是知識庫和知識圖譜層;第三層是整個智能機器人平台的核心層;最後是技能層，該層會對家庭機器人、金融機器人、財務機器人和直播機器人進行劃分。蘇寧目前有六大產業，基本涵蓋了雲商、置業、文創、投資地產等，實際上很多場景均可接入智能機器人。

以上是智能助理的簡單架構，分為響應型助理和主動型助理，響應型助理需要人為喚醒，比如雲之聲的魔方， 需要用戶語音「魔方魔方」來喚醒，喚醒之後才可完成某項特定任務，其餘時間不會主動騷擾用戶，這是響應型機器人。

主動型機器人會對前期對話進行記錄，主動跟進並與用戶溝通，比如，你向機器人傾訴與女朋友吵架了，過幾天，機器會主動詢問你與女朋友的關係是否有改善。這類機器人會主動與用戶聊天，但存在是否騷擾到了用戶生活的問題。因此，該功能的投放會更加謹慎。

我今天的分享到此結束，謝謝大家!

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！