编辑导语：随着科技的进步和普及，AI 产品逐渐走进了大众的视野，从手机语音助手到各类智能音箱，AI 技术不仅方便了我们的生活，还逐渐改变了我们的习惯。本文作者在做了20+个AI多轮对话项目后，为我们总结了这篇文章。
在AI走进大众视野的这几年，我们或多或少的都会接触到一些AI的产品，比如你去咨询天猫客服，一开始肯定是个机器人接待你的；比如你可能会接到一个电话问你是否需要买保险、办信用卡或贷款，可能对方就是一个机器人；当然最常见的就是智能音箱。
以天猫精灵为例：
用户：天猫精灵
天猫精灵：主人，您说
用户：放一首逃跑计划的《夜空中最亮的星》
天猫精灵：好的，马上为您播放这首好听的歌。
看起来很不错的样子，但是如果用户接着说“帮我换成新裤子的《没有理想的人不悲伤》”。
不好意思，这时天猫精灵是不会响应你的。因为天猫精灵在上一轮回复完用户的话之后，就结束了对话。想要再次跟她对话，必须喊“天猫精灵”再次唤醒后，才能继续对话。
以上这种每次只能进行一轮对话的模式，我们称之为“单轮对话”。其实目前大多数机器人都是单轮对话的模式。比如说闲聊：
用户：你好
机器人：你也好呀
用户：我今天很开心
机器人：看到你这么开心，我也是很开心呀
用户：我相信我的明天会更好
机器人：你是最棒的，加油
…….
这里可能你又会问了，这不是连续的对话吗，怎么会是单轮呢？
是的，因为这些对话，每一轮之间都是相互独立，上下文之间没有关联关系，我们暂时称之为单轮对话。与单轮对话相对的概念是多轮对话。
举例：
用户：帮我订个去深圳机票
机器人：请问您哪里出发呢？
用户：上海出发
机器人：好的，上海出发，那您要几点出发呢
用户：明天晚上8点左右
机器人：好的，为您找到明天晚上8点左右，从上海到深圳的机票有这些。
…….
是的，这就是多轮对话，也是本文主要讨论的内容。如果说NLP是AI界皇冠上的明珠，那么多轮对话就是NLP界皇冠上的明珠。由此可见多轮的话的江湖地位和难点。
由上面例子，跟单轮对话的对比，引出了对多轮对话的定义。
一、是什么多轮对话
1. 多轮对话的定义
根据上下文内容，进行连续的，以达到解决某一类特定任务为目的的对话。
这里有3点：
上下文：机器人的每次出话，都是跟上文有强关联关系的；
连续性：一个完整的对话内可进行多次连续的对话交互；
某一类特定问题：这里主要是限定下讨论范围，讨论的是一个封闭域内的问题，一个完整的对话，只负责处理一个特定的任务。比如说订机票是一个特定的任务；订外卖是一个特定的任务；查天气也是一个特定的任务。
2. 多轮对话跟机器人的关系
多轮对话跟机器人的关系图：
通常来说，一个全能型的对话机器人是由很多个类型的机器人组成的，比如说闲聊机器人、任务机器人、问答机器人。而一个任务机器人内又可以包含多个处理不同任务的多轮。
3. 多轮对话和多轮对话平台的关系
那怎么来实现多轮对话呢？市面上各大厂家的做法是开发一个用于构建多轮对话的平台。有了这样的平台，你就可以构建出你想要的对话流程。
多轮比较擅长处理的两类经典任务：
分类任务（如上左图），用户的表达属于分支的哪一类，每一类应该走什么分支。
信息收集/查询类任务（如上右图），需要向用户收集哪些必要信息，如查航班，需要收集出发地、目的地、出发时间3个必要信息。
如果把多轮对话比作一辆汽车的话，那多轮对话平台就是一个组装车间，底层的各类AI工具，就相当于汽车的零部件，因此我们可以在对轮对话平台内，用各种的工具，来组装出你想要的对话逻辑。
这里你可能想说，这个哪里智能了，不就是我们实现定义好的流程吗？是的，它确实并没有你想象中的那么智能，没有你想象中的那样通过大量的数据就能自己学习出一个流程，也没你想象中的那样机器可以自己生成新的答复话术。
但是它确实能解决很多工业上的问题。特别是一些比较固定的流程，比如说：
电销，机器人询问用户是否感兴趣；这里机器人最重要的事情不是促成下单，而是筛选有意向的用户。比如说用户说感兴趣，甚至是跟机器人多聊几句，就会被标识为感兴趣，然后后面就会有人工客服来跟进了。
自助服务，传统的IVR是通过按键的形式来识别用户的意图的（充值服务请按1，业务办理请按…..），那智能机器人可以直接识别并理解用户的自然语言来提供服务。
满意度回访，机器人通过电话回访来收集用户对服务的满意度情况，是否满意、不满意原因是什么，有什么改进意见等等。
疫情期间人员基本情况调查，如收集用户是否有从武汉回来、有没有接触从武汉回来的人，有没有发烧、流鼻涕等信息。
这些固化的流程完全可以用机器人来完成，大大减少人力成本。相比于人，机器人可以一天24小时，同一时间多线路给多个人拨打电话。
二、多轮对话平台由哪些功能模块组成
1. 按流程的执行顺序分
1）进入多轮对话任务的条件
比如说识别到有订票的意图，则进入到订机票的多轮对话任务中；也可以通过关键字、指令等方式进入到多轮对话任务中。
2）机器人的应答话术
即用户的每一个动作（query），机器人应该用什么话术去应答。
目前任务类型的对话通常话术都是预设的，基本不会是生成式的。因为任务性对话容错率很低，宁可答不上，也不能答错。生成式的应答话术，更多是在闲聊机器人中，因为闲聊容错率相对比较高。
3）流程流转条件的设置（if）
4）满足条件执行动作的设置（then）
条件设置和动作设置是整个流程的核心思想，整个对话流程都是按：如果条件是什么…那么执行什么动作…的格式设置。
5）退出多轮对话任务的条件
最后，这个对话肯定是不能永远继续下去的，需要设置结束对话的条件，比如说常见的有以下几种情况：
任务已经完成结束，比如说已经收集完需要收集的信息；
用户主动要求转人工结束，比如说用户跟机器人聊不下去了，要求要人工服务；
用户长时间未回复结束，比如说机器人出话后，用户10分钟内没有响应就自动结束。
2. 按流程和解析工具分
按另外一个维度，可以把多轮对话分为流程和解析工具。
1）流程就是设定的流转规则，如归是什么，那就做什么
（如上图，如果是肯定回复那就调整到A节点）这一块跟AI没有什么关系。
2）解析工具做的事情是理解用户说的话是什么
（如上图，如果用户说“我是他妈妈”，机器人怎么知道这是属于否定回复，这就是解析工具要做的事情），也是整个多轮对话的核心。
解析工具主要分类两大类：信息收集、文本分类。
A 信息收集
收集信息的方式主要有两种：对话里收集、对话外收集。
对话里收集：用各种解析器在对话内容中解析出所需信息，比如说时间解析器收集时间、地址解析器收集地址、电话号码解析器收集电话号码等。
对话外收集，即不是通过对话内容来收集的，而是通过其他数据交互方式获取的，比如说通过手机定位，来获取用户的位置信息；通过账号，来获取用户的基本信息等等。
B 文本分类
对话中的文本分类，通常又分为两大类：有较完整的句子结构类文本、超短文本。
有句子结构类文本（someone want to do something）描述了一个比较完整的意图。有主谓宾这样的句子结构。比如说意图、FAQ，就是有句子结构的文本类型。
超短文本，没有句子结构的，比如说；好的、可以、ok、行。常见的处理这类型超短文本的解析工具有：语言分类器、选择解析器。
除了是否有句子结构外，两类型的文本分类解析工具的应用场景也不一样。有句子结构类文本解析工具，是全局的应用。比如说“我要转人工服务”，可以做出一个意图，不管在流程的哪个节点，用户表达了这样的意图，都可以识别。
超短文本类解析工具，是局部应用的，是强依赖上线文的。比如说用户单独说一句“不是的”，如果没有上下文，是没有意义的。
机器问“请问您是深户吗”，用户可以回复“不是的”；机器问“请问您是深圳高校学生吗”，用户可以回答“不是的”；因此这个“不是的”，在不同的地方表达的意思是不一样的，只有联系上文，才能确定明确的含义。
解析工具直接决定了多轮对话平台的上限，而决定解析工具是否好用又可以分为两层：基础技术层、产品层。
基础技术层：取决于NLP的能力，包括分词、词性标注、NER识别、词法分析、句法分析、情感分析、句子相似度等等的底层能力。
产品层：有了强大的NLP能力，那能不能把这些技术落地，包装成实际的解决方案，去解决实际的场景问题，就是考验底层技术产品化的能力了。
三、多轮对话平台目前的存在的问题
1. 解析工具与场景的不默契
1）例子1
用户：帮我订一张机票
机器人：好的，请问你要从哪里出发呢
用户：深圳明天会下雨吗
问在哪里出发后，我们往往会调用一个地址解析器来解用户接下来说的话，用户回复“深圳明天会下雨吗”，这时会抽到地址【深圳】，那机器人就理解为出发地是【深圳】了。
解析器确实没有问题，解出了地址深圳，但是解出的地址是不是符合上文需要填充的槽位，这时机器人就无能为力了。
2）例子2
用户：帮我查询电费
机器人：请问你要查几月份的呢
用户：8
问是几月份，我们往往会在这个时候调用一个时间解析器来解用户接着说的话，用户只回复“8”，这时时间解析器解不出结果，因为时间解析器只能解“8月”、“8号”等等这个带单位的时间。纯说一个数字，机器人就懵掉了。
从上面两个例子就可以看出，解析工具跟实际应用场景的隔阂，导致了运用起来不够灵活，主要矛盾点体现在：
如果解析工具跟场景分割开，就会出现以上的问题；
如果解析工具跟场景紧密关联，那通用性就比较差，这样会导致这个解析工具仅适用于某个场景，而无法迁移到其他场景。
2. 解析工具与解析工具之间不默契
举例：
用户：帮我订一张机票
机器人：好的，请问你要从哪里出发呢
用户：深圳明天会下雨吗
还是以上面例子为例，首先来了解几个概念：
主流程与辅助问答：这个多轮的主流程就是收集订机票所需要的槽位，辅助问答是只在主流程的过程中用户可能会问些相关的问题，如“怎么退票”、“深圳明天天气怎么样”。机器人回答完辅助问答之后，会继续回答主流程，继续收集槽位信息。
信心分：是指解析工具，匹配到结果的分数值。假设分数值是从（0100），假设信心分高于80分机器人就采纳。
中控优先级：是指取解析工具结果的优先顺序，比如说解析工具A的优先级大于解析工具B，那解析工具A和B解析结果的信息分都是90分，那机器人会优先取A的结果。
ok，了解了上面的概念之后，我们再回过来看这个例子。
用户说了：深圳明天的天气怎样？
会有两个解析工具解到结果，假设地址解析工具得到的信心分是90分，意图解析工具解到的名字查天气意图的信息分也是90，但是由于地址解析工具属于主流程，优先级高于查天气意图，因此机器人最后选择的是前者。因此机器人的动作是把【深圳】当作了出发地填入槽位。
因此，从这里可以看到有两个问题：
人为事先设定的死死的规则，是没办法应对在自然对话中无穷无尽的场景。因此机器人的决策机制不能全由预设规则决定，应该是要结合实际的数据，比如说可以针对单个节点做训练，A类数据出A回复；B类数据出B回复。
解析工具与工具之间没有建立连接，它们之间各自评分，相互之间没有通讯，没有协作关系。如果解析工具之间先经过讨论，再给出结果，是不是会有更好的效果呢，就比如说，识别到查天气的意图之后，意图工具会告诉地址解析工具，这里的【深圳】是只深圳的天气，可能不是你想要的出发地，你要再考虑下。这只是我的一个脑洞，但值得我们去深思。
3. 机器人的回复话术是非生成式的
这里先理清一对概念：
预设式话术：话术提前设定，不会改变
生成式话术：机器人根据场景的各变化因素，而创造出的话术
举例：
机器人问题1：请问你平均每天运动有超过30分钟吗？
用户：我平均每天至少跑步1小时
机器人问题2：请问你会经常熬夜吗？
机器人的话术已经被事先死死的设定了，问完问题1，就问问题2。没有根据用户的话做出一些反馈，就会显得很生硬。
假设能这样：
机器人问题1：请问你平均每天运动有超过30分钟吗？
用户：我平均每天至少跑步1小时
机器人问题2：那你很自律啊，这么说你应该不会经常熬夜吧？
这样不但能对用户的回答做出响应，还根据用户前面说的话来调整问题2的问法。这就是非生成式回答无法达到的效果，这也是机器人比较死板的原因。
4. NLP理解的维度比较局限
举例：
还记得她吗，在采访中她说“我已经用了洪荒之力了”。如果你只看文字，你能理解她里面所表达的是满意的情绪吗？
正常人与人的对话，一般会根据语调、文字、表情、动作等维度，组合起来理解对话所表达的内容。但是目前大多数的多轮对话平台都是只以【文字】单一维度来做解析处理，即使很多平台都亮出了自己在ASR环节的情绪理解有多么强大，但真正跟多轮平台运用起来是隔离开的，训练数据只是转译成文本的形式训练，而不是直接拿语音去训练。
不同语气的“呵呵”，表达的意思是不一样，有的是开心，有的是讽刺。如果丢失了语调的维度，那解析的结果肯定是不准确的。
4. 使用门槛高，优化难度大
在以用户体验为王的时代，如果你操作一个软件或APP，你还要看它的说明书，甚至看了说明书还不会操作，那你肯定会疯掉。
没错，多轮对话操作平台就是一个看了说明说还不会用平台，通常需要经常专业的培训才会使用，因此是有很高的使用门槛的，而且逻辑能力不好人，还真做不来。
除了操作门槛高，后续的优化也不灵活。不是说像我们想象中的那么简单，加点数据，标注下就能解决的。比如说机器人询问：你是马先生吗？
你一开始想到的用户可能的回答是两类：肯定回复（是的、我是）、否定回复（不是、打错了）。但是上线后，你会发现还有很多类型的回复：中性回复【怎么啦、你说】、式有关系人【我是他老婆、我是他儿子】、反问【你是谁呀、是机器人吧你】
每增加一个分类，就要重新在流程图里增加分支，从新设定规则等等，并非直接加点数据重新训练就能解决问题了。
四、多轮对话平台未来的发展方向是怎样的
1. 在目前的框架下去优化
前面大篇幅讨论了，目前多轮对话平台的核心是解析工具，因此我觉得未来的优化方向也是在解析工具上面，比如说：
怎么让解析工具通用，然后又可以跟特定的场景紧密结合在一起；
怎么让解析工具之间的协作更加高效，更加合理；
怎么让后期优化延伸性更加广，让机器有条不紊的接纳更多的分类
2. 用新的框架去解决问题
目前的做法是对话流程、对话分支是由人工搭建的，这种方式对数据的利用率是非常低的。只是根据对话记录，人为整理出对话流程，而对话之间的上下文关系是不参与到模型训练的。机器人不会随着人机对话量的增加而变得更加聪明。
未来的优化方向一定是最大化的利用数据，比如说通过给机器输入大量的对话记录，机器能够学习出对话之间的逻辑关系，然后自己能学习出一个对话流程。
最后，用一句话总结下目前的多轮对话平台：在解决固定化流程的问题上，确实能降低人力成本，但是对话比较死板，要想做到向人与人之间的自然交流，还有很长的路要走。
AI人，一起加油吧！
本文由 @Jimmy 原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自Unsplash，基于CC0协议。
