客服机器人在解析用户query的第一步是在去判断用户的意图。意图检测是由叫做“Route bot（路由机器人）”的系统来完成，比如，当用户输入“我银行卡余额”时，可以识别出用户此时是想完成“查询银行卡余额”这一任务；而当用户询问“银行卡余额在哪儿可以查”时，则需要识别出用户需要一个 查询银行卡余额的路径 。确认用户意图后，路由机器人再将此query交给不同的“子机器人（Botlets）”去处理。最后，Botlets生成的回复将在策略中心完成融合、去重和重排序等过程， 最终产生一个或一组最优解 。
botlets中列举了多类型机器人，我们着重介绍最为常见的三类：
检索型机器人：FAQ-Bot
任务型机器人：Task-Bot
闲聊型机器人：Chitchat-Bot
1、检索型机器人
知识库检索型机器人，围绕的是基础的问答型知识，例如“密码忘记了怎么办？” ，此类问题可以标准化的回复来解决。
1.1 技术原理
算法实现的步骤，概括如下：
1、问题理解阶段，运用NLP技术进行问题的分析。
基础的技术包括分词、词性识别、命名实体识别，语义归一等技术，目的是为了在粗排阶段尽可能的把相关问题进行找回。
2、由于query和候选的问题包含的词数量一般较少，此时会利用同义词和复述技术，对问题进行扩展与改写；
3、基于问题的分析，在知识库中找回相关的候选问题；
4、由于候选问题可能是比较宽泛的，此时需要更精确的算法，来匹配最相近的结果。这里会运用到深度学习模型进行文本的特征表示，进行文本相似度的精排计算，从而返回最好的一个或几个结果。
1.2 知识维护
检索型机器人通常需要维护对应的QA知识库，作为问题检索的基本素材库，针对结构化知识库的基本说明，详见“知识体系构建”一文。
2、任务型机器人
在实际咨询场景中，用户某些问题的解决，涉及到用户身份、信息状态等限定条件，例如 “帮我查一下我的物流到哪了？”
针对该问题，客服通常需要了解用户ID、订单ID等具体信息，才能协助用户查询到具体结果
处理此类问题的核心步骤：
1）识别意图（intent）：用户要表达的诉求是什么？
2）识别参数（slot）：为解决这个问题，需要的“限定条件”是什么？是否已提供？
往往一个问题中，需要用户提供的参数不止一个，且用户通常不会在一个问题中囊括所有有效信息，因此需要机器人主动进行多轮对话引导，直到收集完所有的必备参数。
2.1 几个核心概念的解释
多轮对话：
（封闭域）多轮对话是一种，在人机对话中，初步明确用户意图之后，获取必要信息以最终得到明确用户指令的方式。多轮对话与一件事情的处理相对应。
参数（slot）：
业内通常称之为“槽”，它是完成用户意图所必备的“限定条件”
Q：所谓的“参数”，必须通过多轮对话的形式获取吗？
不一定。参数可分为显性参数，与隐性参数。
在用户与我们开始对话前，其实我们已经能够获取到其登录状态、用户身份、地理位置等“画像”信息，这些就是典型的“隐性参数”；
而显性参数则是与访客提问的意图直接相关，回到上文的例子“查询物流进展”，此时我们就必须定位到用户具体咨询的哪一个订单，也即“订单号”这个参数。
Q：显性参数，必须通过对话交互获取吗？
也是不一定的，在实际对话设计中，获取参数的方式通常有如下几种：
1）贴心的用户可能已经在表达意图时，已帮我们指定好具体参数，例如：“订单号123456，查一下这个物流到哪了”；
2）从用户行为中去获取，例如用户从某一订单详情页接入对话，咨询“这个订单物流到哪了？”，此时我们可以默认将“这个”指代为当前接入页所对应的“订单号”；
3）从上下文中去获取，例如用户当前咨询主题，主要围绕某一订单开展，咨询了关于该订单的发票、金额、物流等一系列信息，此时我们可以始终对“订单号”这一参数进行记录，保持语境的统一；
4）如以上方式，均无法定位用户具体参数，那么才需要交互手段出面获取
2.2 技术原理
1）目前，业内主流的做法是将意图识别作为一个文本分类问题，不过这种方法存在的问题是，每新增一个意图都需要重新训练模型，且意图数量较多的情况下可能无法获得比较好的效果。将意图识别作为一个排序问题，根据用户问句和该意图下用户表述的相似度排序来进行意图的判断，也是业内广泛采用的方法之一；
2）对参数的抽取。“参数”可以是一类词典的集合，如地点名词集、景点名词集；也可以是某一规则的表达式，如订单号生成规则：“年份+日期+随机6位数”
3）在实际对话设计中，还需要综合考虑隐性参数获取、上下文语境、用户跳出等综合因素，会在具体应用案例中说明，在此不赘述。
2.3 对话流程设计
在对话设计中值得思考的是：准确识别用户的意图，其实到这只是我们的第一步，最短路径，快速直接解决用户问题，才是我们的最终目的。
在获取到所需信息后，“我们能为用户做什么” 才是产品产生价值和差异的核心。
2.4 知识维护
意图的训练需要大量！的语料
内部团队人力有限，标注数量比较尴尬的情况下，目前采用的方式是运用算法进行同义词扩展和复述技术，对语料进行发散扩展（本质还是需要人工进行特征的定义），以达到训练所需的数量要求
3. 闲聊型机器人
在客服机器人的对话场景中，闲聊起到的是日常寒暄、情感维系的作用，并不属于业务解决的范畴，仅作简单介绍
3.1 闲聊在客服场景中的存在价值
个人认为最基础在于两点：
1）日常基本的寒暄交流，用户与客服的对话，经常是由一句“你好 ” “我问一下”开始的，能够顺利回应此类开场白，是对话能顺利延续的基础；
2）在机器人无法顺利解决问题时，起到缓和用户情绪的作用。这需要在话术上下功夫，“我已经拿小本本记下了，会尽快学会哒 ”
3.2 技术原理
通常使用机器翻译中的深度学习seq2seq框架来产生答复
阅读字数： 2233 | 5分钟阅读
嘉宾演讲视频回顾及PPT ，请点击：
一直以来，人机交互方式都在发生着不断的变化，从命令行交互，GUI交互，GUI＋交互，直到现在的对话交互（CUI）。之前传统交互都是人在适配机器，而CUI则实现了机器来适配人。本次演讲将介绍常用的对话交互技术框架，并通过实践来分享chatbots系统平台的技术和挑战。
智能检索的框架和搜索引擎差不多。第一步的问题分析包括了实体识别、问题分类、指代消解、关系抽取和情感分析。
第一步完成后进行检索，将对应的问题检索到库里的相关问题。这里最传统的方式就是用词，如果一个词在用户问题和库里的问题都出现过，我认为它们是相关的。更复杂的可以用词向量做检索。检索就是把库里和用户问题相关的对应问题或答案检索出来。很多时候会用到和领域、所在应用相关的知识库或知识图谱，这个会在问题分析和检索里做对应。
检索出来的候选级会进行排序，排序最简单的是TF-IDF。现在有更多的技术，比如基于排序方式还有LtR以及深度学习的CNN/RNN相关。
最后排序完给出的就是最终答案。
基于CNN/RNN，把一个问题或答案变成一种向量化的表示。上图中左边框架是把CNN用到一个句子上，将句子变成一个向量的表达。这样理论上来说可以做到词之间的长效关系。
在获得问题和答案的向量代表之后，我们可以用其它的框架进行匹配。例如上图中右边的框架，X是问题，Y是答案。通过CNN的抽取得到两个向量，再把它变成相似度的分数计算，最后如果分数高，我们认为这两个是比较匹配的。
检索问题和问题间的相关性。上图左边框架中，两个问题都做词向量，然后判断它们的相似性。右边框架相对复杂一些，可以判断两个向量的距离以及它们之间的点击。
这些是问题和问题或问题和答案之间匹配的常用框架，在这一块深度学习已经做得比较成熟。
做多人对话或者任务型多人对话常用的对话叫做任务型机器人，全称是基于任务导向的机器人。
基于任务导向的常用框架第一部分，用户输入后会进入理解模块。理解模块里主要包括语音识别和语言理解。语音识别是把用户的语音识别成文字，语言理解是把语音识别出来的自然语言解析成结构化数据。
语言理解的结果会输出到对话理解模块，对话理解模块里包含了对话状态追踪和策略优化两个模块。
因为任务型的这套框架主要是做多人对话，所以多人对话的时候我们需要记住用户在前几轮说的话或者系统前几轮给的回答，对话状态追踪做的就是把用户和系统历史上的交互相关信息记录下来。
策略优化是根据当前所处的状态去给出系统应该怎样回答用户最近一次提问的方法。策略优化的输出就是一个结构化的表示。对话状态应该包含持续对话所需要的各种信息，依据系统最新的系统和用户动作，更新对话状态。
产生模块中有语言产生和语音合成。语言产生是把结构化的信息翻译成自然语言，返回给用户的是一种容易理解的东西。语言合成是把文字合成为语音。
从去年开始到现在，已经出现其它很多端到端的框架。这些就是常用的基于多元对话的任务型技术框架。
开域闲聊机器人在深度学习中发展最快的方向，常用的框架就是翻译模型。
但是直接把翻译模型放进来以后并没有想象中那么好，最大的问题是它容易产生安全的答案。
目标函数中有三个考虑：
对话容易继续进行，降低“我不知道”这类答案的可能性。
带来新的信息，让产生的答复与之前的不同。
语义要连贯。加入互信息：同时考虑从answer到question的概率。
还有其它的因素就是要小心数据训练，以及如何引入上下文信息、如何加入外部信息、如何产生个性化答复。
如果IR-Bot的成熟度有五分，那么Task-Bot的成熟度就是三分，Chitchat-Bot的成熟度只有一分。
IR-Bot基于检索/排序的流程，历史悠久，技术成熟。引入深度学习，计入长效依赖，生成更好的语句表达。
Task-Bot是一个适合去做解决任务型的框架，它强调的是多轮问答的逻辑。
Chitchat-Bot是一个新的领域，是深度学习在NLP的新舞台。它目前的完善度还很低，还有很长的路要走。但它的发展也是很快的，每年都有非常多的论文在开域聊天这块发表出来。
爱因互动EIN+是一个为其它企业提供人工智能对话解决方案的小型创业公司，把对话作为一种服务输出。
有清晰的知识结构和边界。
应用场景是一个非标准化服务，信息不对称。
能够通过数据积累提升服务质量。
能够建立知识和技术壁垒。
对话作为粘合剂，连接用户和对应的产品，提高用户到产品的转化率。
爱因互动合作模式基本都是API的方式。合作方只需提供原始数据，我们会建立对应的知识库和问答语料，再把它放入EinBot算法的后台框架里，最后生成对应的系统API，合作方只要调用我们的API就可以了。
爱因互动提供了很多API的方式，比如Ein API、Wechat、BearyChat以及其它的。只要合作方有一定的开发能力，只要一周左右就能上线一个可用的聊天机器人。
如果无法理解问题，那就尽可能给出正确答案。如果可以识别出焦点词，就能获得更为人性化的答案；定型词则是依据给定的一段话，回答对应的提问。
根据不同的问题使用不同的方法。
快速部署，深度定制。持续迭代，价值优先。
现在智能设备越来越多，从人迁就机器变为了机器迁就人。GUI的发展非常高效，但是给我们带来的孤独感也很强。CUI能否为我们带回幸福感，还是一个需要探索的话题。
对话交互目前还处于行业早期阶段，除了技术比较成熟，还有很多不成熟的方面，它的价值还有待验证。
现在的技术有限，需要界定合理的需求，降低合作方的相关需求。
对话设计要更优雅地达到目的。
我们希望在现在的基础上做能做且有价值的事，努力把不能做的变成可做的。
今天的分享到此结束，谢谢大家！
用户关闭5G消息后，不能使用聊天机器人(Chatbot)。
如果前期已经用过的聊天机器人(Chatbot)，会在短信列表内，但是即使给聊天机器人(Chatbot)发送消息成功，也无法收到聊天机器人(Chatbot)回复。即可以查看历史消息，不可以进行新的收发消息。
chatbot 聊天机器人
聊天机器人（Chatterbot）是经由对话或文字进行交谈的计算机程序。能够模拟人类对话，通过图灵测试。聊天机器人可用于实用的目的，如客户服务或资讯获取。
智能电销机器人是干什么的 智能电销机器人是一款适用于产品业务或服务推广需求的语音营销服务平台！采用先进的三引擎识别技术，自带话术库，在大量的外呼中可以精准找到意向客户，并快速转化为成交客户。...
智能外呼营销系统有什么用 智能外呼营销系统可以为企业提供全方位的数据报表，包括拨号量、通话时长等。 这些数字直观地反映了企业目标客户群体的精准定位和市场需求；而且还能帮助企业更好地实现营销...
在线客服网站有什么优势 在线客服网站是一个非常不错的选择，它可以帮助企业更加方便地与客户进行沟通。 那么在线客服网站有这样几大优势：1、快速沟通的桥梁我们的智能在线客服网站拥有自己的知识库...
电销机器人是什么 人工智能机器人电销，近年来出现了越来越多的公司和品牌，其中也不乏很多优秀的初创公司。 但对于电话销售这种基础外呼工具，一些公司和品牌之间有着某些独立的个性化定制，而另一部...
智能云客服系统有什么用 网络上常见的在线客服系统，主要包括在线客户服务、工单系统等功能。 在这个互联网的大环境下，传统的在线客服软件已经不能满足现代企业发展的需求。 而随着智能云客服系统...
呼叫中心搭建方案 呼叫中心搭建方案是什么？它的优缺点都有哪些呢？下面就看一下吧！一、呼叫中心搭建的优缺点1、系统伸缩性强企业用户可以根据自己的需求和坐席数量，灵活选择座位数量。 在线电话呼...
在线客服软件是怎么帮助企业实现快速搭建客服系统的 随着互联网的发展，现在大部分企业都会用到在线客服软件。 对于一些刚进入行业不久的新人来说，可能对客户接待方面还没有太多了解，所以对在线客服...
呼叫中心是什么 客户服务中心，通常被称为企业的客户服务机器人。 客户服务中心可以接受来自不同渠道（电话、短信等）的支持，如网站和应用程序请求；也可以接受来自电子邮件的消息传递（咨询、订单处...