1、智能問(wèn)題算法原理

任務(wù)機(jī)器人

知識(shí)圖譜機(jī)器人

FAQ機(jī)器人

閑聊機(jī)器人

閱讀理解機(jī)器人

1.1 FAQ 機(jī)器人

query -> 糾錯(cuò)->標(biāo)準(zhǔn)化->文本特征提取->query改寫[同義詞] ->BM25 算法 -> 計(jì)算語(yǔ)句和候選句的相似度s(q,q') , 并排序

拒識(shí) =即能夠知道自己不能回答用戶的哪些問(wèn) 題以及何時(shí)應(yīng)該轉(zhuǎn)向人工客服.

知識(shí)圖譜相似度=基于特定知識(shí)的語(yǔ)義相似度量，它依賴于分類中的結(jié)構(gòu)化知識(shí):

例如： 深度、路徑長(zhǎng)度 ) 和統(tǒng)計(jì)信息內(nèi)容( 語(yǔ)料庫(kù)與語(yǔ)義圖譜) 。

冷啟動(dòng)解決方案

字面匹配 文本相似度(jaccard, cosine)+ xgboost

xgboost 非線性建模，他將K(樹(shù)的個(gè)數(shù))個(gè)樹(shù)的結(jié)果進(jìn)行求和，作為最終的預(yù)測(cè)值

詞向量 word2vec,glove =Global Vectors for Word Representation

句向量 WMD[無(wú)監(jiān)督] ,SIF

SIF

1、以smooth inverse frequency(簡(jiǎn)稱SIF)為權(quán)重，對(duì)所有詞的word vector加權(quán)平均

例如權(quán)重=a/(a + p(w))，最后從中減掉重要關(guān)鍵詞，得到sentence embedding。

2、對(duì)一些不重要的詞語(yǔ)的權(quán)重下降，例如but、just等

結(jié)論 雖然句子中無(wú)加權(quán)的平均詞嵌入是簡(jiǎn)單的基準(zhǔn)做法，但是Smooth Inverse Frequency是更強(qiáng)有力的選擇

排序訓(xùn)練模型

排序階段也可以利用排序訓(xùn)練模型，得到知識(shí)庫(kù)內(nèi)的相似問(wèn)，構(gòu)造句對(duì)訓(xùn)練數(shù)據(jù)，訓(xùn)練有監(jiān)督的模型

判斷(query, question)的分?jǐn)?shù)，選擇分?jǐn)?shù)最高的問(wèn)題對(duì)應(yīng)的知識(shí)點(diǎn)作為機(jī)器人回復(fù)

深度匹配模型DSSM

通過(guò)搜索引擎里 Query 和 Title 的海量的點(diǎn)擊曝光日志，用 DNN 把 Query 和 Title 表達(dá)為低緯語(yǔ)義向量，并通過(guò) cosine 距離來(lái)計(jì)算兩個(gè)語(yǔ)義向量的距離，最終訓(xùn)練出語(yǔ)義相似度模型。該模型既可以用來(lái)預(yù)測(cè)兩個(gè)句子的語(yǔ)義相似度，又可以獲得某句子的低緯語(yǔ)義向量表達(dá)。

https://www.jianshu.com/p/8f19d915b3f8

遷移學(xué)習(xí)

聯(lián)合學(xué)習(xí)

-文本分類：同時(shí)進(jìn)行語(yǔ)句匹配和分類

-文本生成：匹配和seq2seq訓(xùn)練

多語(yǔ)料遷移：

-fine-tune

-adversarial loss

預(yù)訓(xùn)練模型

-ELMO , BERT

多輪對(duì)話架構(gòu)

對(duì)話管理

query->nlu-DST-DPL -NLG ->response

NLU : 意圖識(shí)別(規(guī)則或分類)槽位提取(NER)

DST-會(huì)話狀態(tài)管理(DQN)

DPL- 會(huì)話策略學(xué)習(xí)，選擇下一步

NLG- 根據(jù)action 返回回復(fù)文本

預(yù)判 客服機(jī)器人多輪對(duì)話的意圖預(yù)判功能通常依賴于訪客的接入渠道、著陸頁(yè)、訪問(wèn)軌跡等數(shù)據(jù)，機(jī)器人可以通過(guò)這些數(shù)據(jù)來(lái)預(yù)測(cè)客戶想要咨詢的問(wèn)題

https://blog.csdn.net/stay_foolish12/article/details/90265394

任務(wù)型機(jī)器人

https://www.cnblogs.com/qcloud1001/p/9181900.html

任務(wù)型機(jī)器人指特定條件下提供信息或服務(wù)的機(jī)器人。通常情況下是為了滿足帶有明確目的的用戶，例如查流量，查話費(fèi)，訂餐，訂票，咨詢等任務(wù)型場(chǎng)景

理解了用戶意圖之后，通過(guò)引導(dǎo)用戶完善任務(wù)要求，完成任務(wù)。

知識(shí)圖譜機(jī)器人

處理流程：場(chǎng)景選擇，實(shí)體抽取，關(guān)系預(yù)測(cè)

問(wèn)答式

image.png

引導(dǎo)式

根據(jù)知識(shí)逐步遞進(jìn)，一步步進(jìn)行約束定義

image.png

閱讀理解機(jī)器人

從文章中抽取答案，閱讀理解建模。

image.png

閑聊機(jī)器人

seq2seq， 上下文建模

image.png

電話機(jī)器人

ASR, NLP, TTS,MRCP

智能電話管理

人群管理，話術(shù)管理，電話任務(wù)管理，知識(shí)庫(kù)管理，算法模型管理

外呼統(tǒng)計(jì)

任務(wù)監(jiān)控，通話監(jiān)控，意向度篩選，通話詳情，統(tǒng)計(jì)分析

image.png

智能應(yīng)答

image.png

智能問(wèn)答系統(tǒng)體系結(jié)構(gòu)

功能組件：語(yǔ)義解析，語(yǔ)義匹配，會(huì)話意圖識(shí)別，答案生成，情感分析

深度遷移學(xué)習(xí)，知識(shí)圖譜引擎

問(wèn)答標(biāo)注平臺(tái)，模型訓(xùn)練平臺(tái)，分布式爬蟲(chóng)，hadoop 集群

image.png

知識(shí)庫(kù)管理界面

問(wèn)答管理，相似問(wèn)題，智能學(xué)習(xí)

image.png

訪客界面

回答，引導(dǎo)轉(zhuǎn)人工

image.png

客服界面

image.png

挑戰(zhàn)

1- 單輪: 深度語(yǔ)義匹配 遷移學(xué)習(xí) 知識(shí)圖譜

2- 多輪 對(duì)話管理-槽位提取-端到端學(xué)習(xí)-強(qiáng)化學(xué)習(xí)

3- 閱讀理解機(jī)器人-開(kāi)放域閑聊機(jī)器人

image.png

總結(jié)

以上是生活随笔為你收集整理的用html怎么写智能问答页面,智能问答算法原理及实践之路笔记的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。