竹间智能CTO翁嘉颀：如何打造主动式对话机器人 | 吃瓜笔记

，这句话里面需要包括时间的抽取，包括人数的抽取，还有你的意图，你是要定位还是要排号，还是要怎么样？然后如果你是餐厅的机器人，那你要怎么跟这个客户回复？我收到这些信息之后，我有几个空要填，订餐馆，需要的信息是时间、人数，你要包间还是大厅？还有就是一些特殊的需求，你需要几张婴儿椅，有没有人过生日，需不需要准备个生日蛋糕，还是要放个什么音乐，甚至唱生日歌。那帮你订餐馆就不一样了，对方讲的话我要如何去理解？然后如何去帮你回答？事先已经把信息都给它了，我知道我如何去跟那个餐厅的人一句一句的告诉他，我到底是几个人？是什么时间？要包间还是要怎么样的？虽然是反过来的，但基本上还是基本的语义理解。如果是Google Assistant订餐馆的话，我知道对方问的问题到底是什么？对方问的问题是时间还是人数还是你有什么特殊需求，那这个其实是比较简单的，因为通常一个接电话的客服人员，他问的问题会比较规范，反过来比较难。反过来是，如果我机器人，那就是一个客服人员，但是用户打电话来订餐，用户讲法五花八门，这个理解上通常会比较难一点。指代消歧这个问题什么时候有突破？说真的，我觉得有难度，因为搞不好连人都不一定搞得定，像“爸爸抱不起儿子，因为他太胖了”，这个“他”到底是爸爸还是儿子？这个可能每个人有不同的解释方式，就是说指代消解要往前看多少轮的对话，这个其实目前也都是有难度的。目前做得比较好的可能是往前看差不多三轮到六轮的对话，但是往前看太多的话，准确率会大幅度下降，因为会有大量的误判。我个人的观点是：这些问题过去的25年一直都在解，一直都没有解好。那深度学习出来能不能解好这些问题？目前看起来应该是不够的，只靠深度学习解这些问题其实根本不够，那也许还需要更新更好的技术出来，才能把上下文理解、指代消解或指代消歧做得好。竹间多轮对话需要多少训练语料？这分两个。第一个，我是如何知道你的意图？比如关于电视音量，我要调高音量，我有多少种不同的讲法，“调高音量”，“大声一点”，“太小声了”，“我听不清楚”这都是不同的讲法，那我如何知道这些讲法其实他的意图是一致的。如果用关键词的方式，在我们过去的经验里面，你只用关键词，你大概准确度只能70%左右，大概就上不去了，如果用一些混合的模型，比如说我用深度学习，语言模型我也派上用场，然后一小部分的关键词排上用场，我把这这些东西混搭在一起。我目前在电视的这种意图理解上面有机会做到97%~98%甚至到99%。像目前我们在四川的长虹电视，它背后是有我们的那个意图理解，大概准确度是97~99%之间，有机会做的比较好。那假设意图理解完了以后，后面是多轮对话，多轮对话，其实不太需要训练的数据，因为我就是要抽取信息。你要定哪里的酒店？这个是都市信息的抽取，所以你可能讲上海可能讲浦东的，那我知道浦东也是在上海，你可能说虹桥的，也可能说五道口，我知道五道口在北京。这是地点抽取信息，还有时间的抽取，数字的抽取，那甚至有一些像说“我要订机票”，是航空公司抽取东航（东方航空）、南航（南方航空）等等，我这个可以上传一个列表，它就用匹配的方式把这些同义词、把这东西抓出来，甚至做到一些模糊匹配。那这东西其实有大部分用规则来做，不需要大量的训练语料。对话情感识别跟普通评论有什么不同？通常普通评论我大概只要分成正、负、中就够了，这是舆情分析。我知道有人开始在大量抱怨某个事情，其实情感分析我可以做得比较粗糙一点，我知道是正面或负面就够。那对话就不一样了，对话的情感可能真的要至少分六种、十种，喜怒哀惊惧跟中性，那就像刚刚一开始说的，我悲伤，我愤怒，我害怕，三个都是负面情绪，但是我的对话的方式是不同的，我聊天的方式是不一样的。知识图谱用什么来存储？目前主流的有几个，包括Neo4j（图数据库）、ArangoDB、OrientDB，还有一些像、阿里也有发展自己的图数据库的一些存储方式。目前这些开源的东西，要看你的数据量，你的数据量如果超过1000万笔或者2000万笔它的性能可能会不够好，所以说目前这些开源工具还没有办法完全解决这部分问题。我们公司的图数据库可能有一部分是开源的，一部分可能就是我们自己来开发，可能整个数据库的数据结构根本就是我们自己写的。多模态的情感是怎么做的？这个有几种方式，就是基本上跟我们现在AI一样，不是用规则，就是用模型训练。模型训练我可以找几万个Case，语音情绪是什么？脸部表情是什么？文字情绪是什么？那它应该是什么结果？我有几万或几十万个训练数据，我都丢进去训练，那以后就可以有一个多模态的模型。另外一个，也可以用规则，比如语音情绪如果大于90%，认为这个情绪是愤怒的，基本上他就愤怒了，人类表情跟文字情绪可能不用看，因为语音情绪非常重，做语音情绪，他认为我是愤怒的，但是信心程度只有30%，文字说我是高兴的，信心程度是90%，这时候我们可能用一些规则来做加权。我们目前是用多种方式，学习的方式也用、规则方式也用，整个再综合起来判断。因为现在说的东西都一样，你想说规则可不可以用？它可以用，但是它可能就是60、70、80分，要再上不去了。深度学习可不可以用？可以，但是深度学习一个是不是解决你全部的问题？也不够，你的训练数据量根本不够。所以目前比较好的方式，还是你用多种模型来混搭，比较有机会能够落地实现的一个方式。句式分析怎么做的？比如在疑问句、陈述句中如何分析。当然是有几种，第一个是有一个黑盒子，把这个句子丢进去，然后就给它标注，说这句就是疑问句，这句就是肯定句，那这样子去生成一个句式的答案，那当然我也可以根据分词的结果，包括你的词性标注完了以后，再根据这些线索再去产生出那你的sentence态到底是什么。后面的这种方式其实会比较节约训练数据，如果纯粹用暴力的黑盒子去做的话，可能训练数据要比较大，但经过一些基本的一些拆解完了以后，我根据这些拆解的线索再去做训练，那训练数据样本会小很多，那比较可行。相关学习资料以上就是此次竹间智能翁嘉颀带来分享的全部内容，在量子位公众号（QbitAI）界面回复“180516”可获得完整版PPT和视频回放链接。P.S. 量子位·吃瓜社将持续带来线上分享，欢迎大家关注~—完—