竹间智能CTO翁嘉颀：如何打造主动式对话机器人 | 吃瓜笔记

都是OK的。还有句式识别等等。做了这些模块之后，后面到底可以用这些东西来做什么应用，第一个，先看分词的重点，举两个例子，我说“你好可爱”，到底要分成“你好”和“可爱”，还是“你”“好可爱”，有时候“你好”要在一起，有时候“你”、“好”要分开。如果把“你好”并在一起的话，变成打招呼了，那整个后面的语义理解可能就错了。语义理解除了刚刚的例子之外，还有例如像“我明天飞上海，住两天，要如家”这句话到底什么意思？整个分词分出来，我知道你的主词是“我”，明天飞上海住两天如家，你的核心动词是“飞”、“住”跟“要”，飞上海、住两天、要如家这个句法结构是这样。还有一个东西叫SRL，也就是去抓住核心动词，飞上海、住上海，住的LOC（Location，位置）是上海，Agent是“我”和“飞”，TMP是“飞”和“明天”以及“住”和“两天”。那这个Agent其实不是很重要，但是时间是明天，而且是要住两天，另外ATP我知道是“要如家”，所以根据“要如家”就知道你的意图可能是订酒店，对话主题是酒店住宿。然后帮你整个计算出来之后，我知道今天5月10号，所以明天飞上海是5月11号，住两天，我知道你是三天后离店，然后都市是上海，如家酒店，这个当然不够，上海这么大，机器人还要问你要住浦东还是虹桥的还是人民广场的如家酒店，还要继续问你心仪的价格，还要问房间类型等等，取得所有信息之后再帮你去完成这个任务。人机交互的下一步那我们再来讲人机交互的下一步，那目前有很多的智能客服，比如淘宝、京东、唯品会、苏宁，招行、民生银行、携程等等，它们的线上客服已经是一个机器人了，但是你们去用过线上客服的话，就会发现目前可能还不怎么聪明，可能还没有达到你的期望，所以下一步应该怎么做？我们先看一些数据，智能客服目前一定是搭配人工客服在用，也就是说机器人回答不了的问题，会转人工来回答，但在统计上会发现今天一个人跟机器人聊天，讲了一段之后，他最后决定转人工，其中的67%不是因为回答错误，而是因为答案他根本看不懂。举例来说，我跟机器人说我衣服买小了，他能知道衣服买小了，我的意思其实是说我想要换一件，或者我要退货。如果他知道我要换货，这个匹配没问题，但是换货的步骤可能有八个，它告诉我换货步骤总共300个字，这300个字不会有人要看的，我看到这300个字，就直接就失去耐心，决定转人工。我们的期望是什么？期望是机器来和我交互，打印机连不上了，那你用的电脑是windows还是MAC？你要连哪一个楼层，哪一台打印机，你上次连打印机是什么时候？曾经连上过吗？还是这是第一次。跟我交流之后，最后告诉一个很简短的答案，直接告诉我应该怎么做。所以会发现目前67%的决定转人工，其实都是因为答案设计不良，25%的用户决定转人工，可能是因为这是一个新的问题，因为这个问题过去不存在，机器人不会，只有8%的用户决定决定转人工是因为算法匹配错误。所以算法就算做到一百分也不够，因为你只解决8%的问题。需要的应该是用交互的方式，用对话的方式一句一句问我，最后告诉我应该怎么办，这才是目前非常需要的。除此以外，可不可以主动，机器人是不是可以不再被动等人来问。比如在商场的门口，或者在某个货架门口装个监视器，装个摄像头，装个平板。有摄像头，一个长直发的女生走过来,机器人跟她说“这位女士你的长直发很漂亮，我这边有一些润发的东西，你需不需要？”根据这个用户的人脸属性去判断这些东西，而且主动地去跟她讲话，在讲话的过程中，发现这位女士她的脸色越来越难看了，就赶快闭嘴，赶快转个话题。这就是人脸属性特征、人脸情绪、人脸表情和整个人机交互对话一个综合性的应用。那可不可以用机器视觉跟人机对话交互，开始慢慢地取代一些店员的工作，或者是至少未来无人店，无人店假设是真的没有人，到了一个货架上面，真的有疑问的时候，有机器人主动来介绍商品，主动来为我解答这些疑惑。要做到的人机交互就不是一轮一轮的，必须是多轮的对话引擎。那这个可不可以做？以这个例子来说，比如说“我想买个理财产品”，机器人马上问说“您需要保本还是不保本的？”，这时候用户回答说“保本的，一年的预期收益不低于五个点”。机器人只问一个问题“保本不保本”，但是用户一次回答了三件事情，这时候能不能把这三个信息全部收集到。所以需要机器人是用填巢的方式，有三个空格要填，现在用户回答我三个空格都填满了，我就直接回答他问题。如果用户只回答说“保本的”，接下去机器人就问他“要一年的还是半年还是两年的？那预期收益多少”，根据用户讲的话去把信息填入空巢里面，再根据缺失信息决定下一句要问什么话。至少不会变成用户说“保本的，一年的预期收益不低于五个点”，结果下面机器人居然还问他说“你要一年还是两年的”，用户就会觉得这个机器人是个笨蛋。Q&AGoogle Assistant会中文吗？中文跟英文差距比较大，Google中文目前做得不够好。中文跟英文的差距在哪里？中文需要分词，英文不需要，尤其是德语，它的句法结构、文法结构非常非常规范，所以德语也许用整个文法分析句法结构，就可以知道你这句话的意图是什么，但中文差得非常远。举几个有趣的例子，例如说“爸爸抱不起儿子，因为他太胖”和“爸爸抱不起儿子，因为他太瘦了”，两个“他”字指的是谁？那这个当然英文可能也会有同样的问题，那我们中文再换一个“你今天讲得很有意思”，“我就是意思意思”,“你这是什么意思？”,这三个“意思”可能都不太一样，这个可能外国人都不容易理解。再讲更难一点“中国乒乓球谁都打不赢”，“中国足球谁都踢不赢”，这两句的句法完全一模一样，但是背后的意义可能不太一样。这个可能连小学生都不一定搞得懂。中文它有很多的麻烦的地方，包括分词，包括它的文法结构非常不规范。Google Assistant如何去帮你打电话？如何帮你订一个餐馆？如何帮你去做事情？都需要什么技术？第一，我们首先需要ASR（Automatic Speech Recognition）、TTS（Text To Speech），需要语音识别，把语音转成文字，还有最后的文字转成语音。那这两个其实目前国内有很多的企业做的比较成熟。再下来是语义理解，这句话的意图到底是什么？这句话的一些核心的内容应该怎么抽取？我今天打电话说“我明天晚上6点，有6个人，其中两个小孩，要定位”