ChatBot framework 開發實踐

通常而言，通用聊天機械人（比如小冰等）底層技術是採用類似seq2seq等「生成」技術的。但是這種機械人屬於探索性質，無法

提供特定的服務。而siri則是兼具閒聊以及垂直領域功能的，比如可以預約提醒，打**，定餐廳等特定功能。相信siri在實現特定預約提醒，打**功能等，則是使用了「語言模板」匹配技術以及結合分類器來實現精度的控制和定向動作的執行。

對於聊天機械人我個人是相當感興趣的，奈何現在的已經公開的文章都「相對初級和入門」，或者說過於專注裡面的某個演算法，比如問答匹配演算法。所以萌生了寫一篇文章的想法。本文基於自己開發相應系統的經驗，理論上會給大家帶來一些幫助。但是因為是內部系統，只能談及一些較為公開的思想。

現在我們的目標是**是如何設計和實現乙個，只要通過簡單配置就完成乙個特定主題對話的機械人。有需要的話，可以經過外掛程式（元件）開發，為其增加新垂直領域對話功能。這些外掛程式，就如我前面所言，可能需要整合大量的針對特定領域問題的演算法。

語言模板引擎

對話配置系統

機器學習相關技術

語言模板可以保證意圖識別的準確性，機器學習除了能否增加覆蓋度以外，同時也是對話配置系統的核心所在。在今天這篇文章裡我們會重點**1，2兩點，3有需要的時候會提及。

語言模板很好理解，就是一句話匹配上了某個模板，這個模板會指向乙個動作，從而能夠給出乙個響應。乙個大致的配置如下：

比如糖尿病怎麼辦，就會匹配上這個模板,並且執行action動作。如果怕模板定製的過於寬泛，可以再通過reg (正則)來進行限制。id 則是這個模板的唯一編號。 * 表示中間可以匹配任何字元。《疾病》則表示特定實體，這需要有海量的實體詞典支援。

通常語言匹配模板引擎會有比較明顯的效能問題。當你有幾千個上萬個模板，每個模板裡面又有幾十個甚至上百個子模板，那麼一次匹配的成本會相當高，對cpu壓力也會非常大。所以通常我們會採用倒排索引技術，比如*怎麼***會進行如下編碼：

怎麼 -> [24,100...... ]
** -> [24,36...... ]

比如糖尿病應該怎麼辦**，我們會提取出」怎麼「，」**「，兩個詞彙，然後獲得他們的倒排列表，求交集，就能得到24,並且再做一次實體檢查，就能實現快速查詢了。當然具體如何做倒排列表，如何做抽詞，包括做實體識別，實體積累我們在本文不做詳解。

語言模板引擎是聊天機械人裡較為核心的元件，通常演算法在這種場景裡是補充。

對話配置系統，其實就是chatbot framework, 據說有一些開源實現，不過我沒具體了解過。我這裡說說我的設計。

通常對於一次性對話（一問一答）這個比較好處理，依託於上面的語言模板引擎基本就能實現了。對於有乙個」對話引導流程「的會話，這種多倫對話則需要乙個較為完善的對話配置系統。

對話配置系統會涉及到幾個概念：

會話主題。每次對話應該都是圍繞乙個主題的，比如幫助使用者完成轉賬流程，這期間要和使用者發生多次互動，直到最後幫使用者搞定。

跳轉。根據使用者的反饋，又分為會話內跳轉，和會話間跳轉。因為乙個會話會有多次互動，所以會有會話內跳轉。會話間跳轉，可以通過乙個簡單的例子來解釋：比如使用者問附近哪家餐廳比較好，你可能會詢問使用者是要西餐還是中餐，這個時候使用者不搭理你了，說給我安排乙個日程吧，這個時候時候就需要主題間的跳轉。主題通常依託在特定會話中。

對話樹。乙個對話對話是乙個樹狀結構。同時我們又會有多個對話，對話之間不一定是互通的，最終有個會話森林的概念。

對話樹節點。前面我們提及，乙個會話會有多倫互動，所以為了完成乙個會話，配置上至少有兩種型別的節點：乙個是條件節點，乙個回答節點。

上面都是一些要點，我這裡會舉乙個最簡單的配置例子：

}}
],"conversation": [
},},
"msg": "您好 $先生",
"step": 6,
"target_step": -1
}

intercept表示會話攔截，在對話流程裡任何乙個環節，都需要檢查下是不是發現了主題變更，如果符合，則會根據target_step實現對應的跳轉。在interceptor的target_step 被表示為 a:b 這種形式，意思是跳轉到a對話裡的b節點上。

match 表示匹配了哪些模板，當然，也可以是乙個演算法模型，比如"model:com.org.questionclassify"，比如我需要判定使用者是不是在描述自己的身體狀況，這個時候用模板顯然是不行的，可能需要繼承乙個演算法分類器。顯然上面的配置是支援這種整合的。

如果匹配上了則跳轉到對應的step 11，如果沒有匹配則跳轉到step 10。根據型別(chain_type)，這是乙個條件節點，所以他不會對使用者做任何輸出，而是默默的根據條件往其他節點條。

msg 表示應答的語句,如果你想動態調整這個輸出，可以配置format_class。format_class主要實現複雜動態的應答邏輯。另外還有乙個類似配置是query_class，會攔截進來使用者的問題,並且改寫使用者的問題。

step 表示當前處於會話的那個節點，這個節點處理完後的下乙個節點會是target_step。通過適當形態，可以實現會話之間的跳轉。我舉的例子只是展示了內部跳轉。

有了這套配置引擎後，比如做乙個客服機械人，就變得很簡單了，把使用者的常見問題羅列下，之後執行特定的動作。當然，很多傳統的客服機械人為了簡單期間，主要是通過依託於qa演算法做匹配，並不會採用這種我說的方案。

我們根據這套配置引擎，可以實現乙個很複雜的對話。而且可以配置很多有趣的功能，比如功能導航對話，比如吃飯請按1，睡覺輕按2 這種。只要配置乙個新對話即可，然後這個對話作為作為起始對話，通過會話間跳轉來完成導航功能。

因為千人千面，所以在實際的引擎實現過程中，我們需要記錄每個使用者當前所處的會話以及所在的節點，還包括會話期間的一些資訊蒐集，這也是乙個較為複雜的話題了。我們底層採用redis做這個儲存。

一般而言，我們無法使用「某個」演算法就實現乙個複雜的系統，當然，「某個」演算法可能很重要，甚至是系統能否成功的關鍵。乙個複雜的系統通常都是根據每個環節的需求不同，綜合利用了方方面面的演算法，而每個演算法使用的資料又是其他演算法處理而來的。chatbot framework 本身能夠通過配置，復用一些已有的元件完成一些基礎的對話功能，但是如果要實現更複雜的對話，則需要更多演算法和元件的支援。

ChatBot framework 開發實踐

SpringBoot Angular開發實戰一

Android遊戲開發之旅（十四）遊戲開發實戰一

微信支付開發實記

ChatBot framework 開發實踐

SpringBoot Angular開發實戰一

Android遊戲開發之旅（十四） 遊戲開發實戰一

微信支付開發實記

相關推薦

Android遊戲開發之旅（十四）遊戲開發實戰一