1 前言

對(duì)話交互是繼傳統(tǒng)PC、PC互聯(lián)網(wǎng)及移動(dòng)互聯(lián)網(wǎng)之后，下一個(gè)時(shí)代非常有想象力的關(guān)鍵技術(shù)方向，無論是學(xué)術(shù)界還是工業(yè)界都有極高的關(guān)注度，同時(shí)作為OPPO萬物互融戰(zhàn)略的關(guān)鍵節(jié)點(diǎn)之一，承載著偉大而艱巨的使命。

算法是對(duì)話交互的核心能力之一，決定了語音助手能達(dá)到的智能化水平，具有極高的技術(shù)價(jià)值。本文將主要從對(duì)話交互的目標(biāo)、算法要解決的關(guān)鍵問題，行業(yè)現(xiàn)狀與趨勢(shì)、小布主要實(shí)踐與進(jìn)展，以及挑戰(zhàn)與未來幾個(gè)方面做個(gè)介紹。

2 對(duì)話交互目標(biāo)與關(guān)鍵問題

通俗來說，對(duì)話交互的目標(biāo)就是通過語音或文字以自然對(duì)話的方式，完成任務(wù)執(zhí)行、信息獲取、情感交流等人機(jī)交互過程。比如像科幻電影里面的賈維斯、大白等智能助理，代表了人們關(guān)于對(duì)話交互能力理想狀態(tài)的期待。

對(duì)話交互近年來受到越來越多的關(guān)注，其背后的原因究竟是什么呢？其實(shí)回顧下近40年來信息科技發(fā)展的歷程，就不難理解。我們知道，信息科技先后經(jīng)歷了傳統(tǒng)PC、PC互聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)幾個(gè)大時(shí)代，其中每一個(gè)時(shí)代都與設(shè)備密切相關(guān)，進(jìn)而催生入口和交互方式的革命。而今我們正邁向被寄予厚望的AIoT時(shí)代，對(duì)話交互因其在新一代搜索引擎、超級(jí)服務(wù)分發(fā)中心、新型交互方式等方面的巨大想象力，恰好承載了這一新時(shí)代下一入口級(jí)交互變革的使命愿景。

然而，想要達(dá)到理想的對(duì)話交互效果是非常困難的，主要是因?yàn)樗枰缭侥壳俺墒斓母兄悄芗夹g(shù)，邁向認(rèn)知智能，當(dāng)下在認(rèn)知智能領(lǐng)域還存在很多尚未根本解決甚至未能清晰定義的問題。典型的認(rèn)知難題包括如何表示和理解常識(shí)，如何使機(jī)器具有推理和規(guī)劃能力，如何使機(jī)器有像人一樣的想象力和自主性等。在某種程度上，可以說解決了認(rèn)知智能的問題，基本上就等同于實(shí)現(xiàn)了強(qiáng)人工智能，足見對(duì)話交互的難度之高。

對(duì)話交互的主干流程如下圖所示，從中不難發(fā)現(xiàn)幾乎所有關(guān)鍵節(jié)點(diǎn)都與算法相關(guān)，算法是取得較好對(duì)話交互效果的核心能力。

對(duì)于OPPO自研的小布助手，其算法能力現(xiàn)狀如下表所示，語音喚醒主要由三方和軟件工程系統(tǒng)支持，目前在新機(jī)效果上對(duì)齊行業(yè)Top競(jìng)品，但是存在老機(jī)型技術(shù)升級(jí)成本高、部分低端機(jī)型無法支持語音喚醒等問題；語音識(shí)別同時(shí)使用了三方和OPPO研究院的能力，由于語音識(shí)別技術(shù)相關(guān)成熟，整體效果較好，字錯(cuò)率能控制在6%以下，目前的主要問題在于音頻質(zhì)量；語音合成與語音識(shí)別類似，也是由三方和OPPO研究院共同支持，在準(zhǔn)確性和流暢度上效果較好，但是自然度、情感化等維度評(píng)測(cè)非常主觀，目前也暫不支持用戶個(gè)性化；語義理解和對(duì)話能力主要有業(yè)務(wù)技術(shù)團(tuán)隊(duì)提供，在語義理解方面準(zhǔn)確率和召回率都能達(dá)到90%以上，存在開放域長(zhǎng)尾query理解難度大的問題；在對(duì)話能力方面目前支持沉浸式強(qiáng)多輪、自由切換弱多輪、上文推理多輪等，多輪的難點(diǎn)主要是難評(píng)測(cè)，用戶習(xí)慣弱、線上滲透率低。

語義理解和對(duì)話能力是本文的重點(diǎn)，主要任務(wù)是在拿到用戶Query后，通過先理解用戶要什么，再?zèng)Q定給用戶什么，最終組裝合適資源恰當(dāng)滿足用戶。由語義理解和對(duì)話能力組成語義算法系統(tǒng)就是為了達(dá)成以上目標(biāo)的，該系統(tǒng)的涉及主要會(huì)面臨系統(tǒng)性問題和技術(shù)類問題兩大類，如下圖所示。

系統(tǒng)性問題包括面向需要支持全領(lǐng)域query、數(shù)百項(xiàng)技能、多設(shè)備多渠道的復(fù)雜系統(tǒng)，如何解耦拆解；面向產(chǎn)品需求多、模塊多流程長(zhǎng)、算法不確定性大等問題，如何高效迭代；面向無法窮舉的多樣化口語Query，如何通過效果監(jiān)控保障體驗(yàn)；如何規(guī)避低級(jí)缺陷、答非所問、過度兜底等“智障”體驗(yàn)。

技術(shù)類問題則包括算法的選型、關(guān)鍵問題的建模求解、多輪對(duì)話的控制、性能方面的保障等。

3 行業(yè)現(xiàn)狀與算法趨勢(shì)

首先，對(duì)話交互在應(yīng)用場(chǎng)景方面已日趨成熟，涵蓋智能家居、車載、生活出行、專業(yè)服務(wù)等眾多領(lǐng)域，方便快捷是自然語言對(duì)話交互方式的天然優(yōu)勢(shì)，被越來越多的用戶接受，據(jù)預(yù)估2020年將有超過70億部設(shè)備搭載語音助手。

另外，發(fā)展趨勢(shì)來看，近十年來頂級(jí)科技公司從未放棄在此方向上的投入，國(guó)外以蘋果、亞馬遜、谷歌三家公司作為代表，無一不把對(duì)話交互作為他們非常重要的方向；國(guó)內(nèi)情況也類似，百度、小米、阿里巴巴都積極布局，旨在搶占對(duì)話交互這一未來流量入口。

一個(gè)值得關(guān)注的趨勢(shì)是，面向第三方設(shè)備的對(duì)話交互智能助理逐漸淡出，各家主要集中在自有設(shè)備上大力發(fā)展，除了相關(guān)技術(shù)與設(shè)備耦合緊密的原因外，還有一個(gè)更重要的原因是這一入口太重要了，沒有任何一個(gè)頭部設(shè)備廠商愿意將其完全交給第三方技術(shù)方。

對(duì)話交互也是學(xué)術(shù)界研究的熱點(diǎn)，從ACL論文的趨勢(shì)分析可以看出，近5年來對(duì)話交互方向異軍突起，在2019和2020年成為當(dāng)前最熱門的研究方向。

參考：Trends of ACL: https://public.flourish.studio/visualisation/2431551/

在核心的認(rèn)知理解算法方面，其求解范式由傳統(tǒng)的強(qiáng)依賴語言、問題類型和人工定制經(jīng)驗(yàn)的多模塊流水線方案，演變成了更簡(jiǎn)單、通用、高效的端到端一體化方案。這種范式的演進(jìn)極大地簡(jiǎn)化了問題求解流程，不僅能夠有效避免累積誤差，更使得大數(shù)據(jù)、大模型、大算力能夠落地應(yīng)用，顯著提升效果。

近兩年來，在模型層面以谷歌BERT為代表的大規(guī)模預(yù)訓(xùn)練模型橫空出世，橫掃各大語言建模任務(wù)榜單，為研發(fā)更先進(jìn)的語義理解算法模型釋放了巨大的潛能，這無疑會(huì)給對(duì)話交互的發(fā)展提供堅(jiān)實(shí)的技術(shù)支撐。

總結(jié)來看，無論是工業(yè)界還是學(xué)術(shù)界都非常關(guān)注對(duì)話交互這一方向，這反映了行業(yè)對(duì)未來趨勢(shì)的預(yù)判。而算法技術(shù)的突破性進(jìn)展則進(jìn)一步催化了對(duì)話交互產(chǎn)品落地的速度，使得未來將會(huì)更早到來。

4 小布算法系統(tǒng)實(shí)踐與進(jìn)展

如前所述，語義理解和對(duì)話能力一起構(gòu)成了小布核心的語義算法系統(tǒng)，以下部分將詳細(xì)呈現(xiàn)我們?cè)谶@一方向上的實(shí)踐與關(guān)鍵進(jìn)展。

首先，在業(yè)務(wù)需求方面我們主要考慮業(yè)務(wù)邊界、對(duì)話能力、用戶體量，以及評(píng)價(jià)指標(biāo)這四個(gè)維度。在業(yè)務(wù)邊界方面，小布助手屬于全場(chǎng)景開放域?qū)υ捊换ハ到y(tǒng)，需要支持的領(lǐng)域包括系統(tǒng)控制、信息查詢、影音娛樂、生活服務(wù)、智能聊天等，共約包括數(shù)百項(xiàng)技能，用戶Query的廣度非常大；在對(duì)話能力方面，除了簡(jiǎn)單指令型命令控制和單輪問題，還需要支持面向多輪的任務(wù)型、弱多輪、上下文理解等能力，以及對(duì)話推薦、主動(dòng)對(duì)話等高階能力；在用戶體量方面，小布需要覆蓋歐加集團(tuán)三品牌手機(jī)，以及手表、電視等億級(jí)別設(shè)備，千萬量級(jí)的日活；在評(píng)價(jià)指標(biāo)方面，主要考慮需求覆蓋度、意圖召準(zhǔn)率、技能滿意度、響應(yīng)時(shí)間等。

概況來講，小布助手的使命任務(wù)是建立一種對(duì)話連接，連接的一端是歐加集團(tuán)設(shè)備生態(tài)龐大的用戶群，另一端是優(yōu)質(zhì)的對(duì)話式服務(wù)，借助于這種連接來實(shí)現(xiàn)用戶價(jià)值、營(yíng)銷價(jià)值，以及技術(shù)價(jià)值。

為了支撐上述業(yè)務(wù)需求，我們抽象總結(jié)了四項(xiàng)設(shè)計(jì)原則來指導(dǎo)算法系統(tǒng)的設(shè)計(jì)：

領(lǐng)域分治：采用劃分領(lǐng)域的方式將全領(lǐng)域復(fù)雜問題進(jìn)行分解，轉(zhuǎn)化成更簡(jiǎn)單的子問題分組求解，降低求解的難度，提升系統(tǒng)的可掌控性；

效果優(yōu)先：為了盡可能避免“智障”體驗(yàn)，不拘泥于任何單一技術(shù)，以效果優(yōu)先驅(qū)動(dòng)算法方案設(shè)計(jì)，規(guī)避低級(jí)缺陷；

閉環(huán)監(jiān)控：建立完善的閉環(huán)監(jiān)控機(jī)制，在研發(fā)階段通過產(chǎn)品、測(cè)試、研發(fā)等多方拉通的測(cè)試?yán)O(shè)計(jì)提升測(cè)試覆蓋度，在線上采用實(shí)時(shí)動(dòng)態(tài)測(cè)試集監(jiān)控和人工評(píng)測(cè)來保障體驗(yàn)；

平臺(tái)提效：為了應(yīng)對(duì)眾多中長(zhǎng)尾的技能支持，推進(jìn)技能平臺(tái)的建設(shè)，以一致、通用的平臺(tái)化解決方案降低中長(zhǎng)尾技能的研發(fā)和維護(hù)成本。

參考業(yè)務(wù)需求和設(shè)計(jì)原則，小布助手目前的算法系統(tǒng)整體架構(gòu)如下圖所示。首先，在平臺(tái)與工具方面，基礎(chǔ)算法以行業(yè)主流的深度學(xué)習(xí)算法為主，在其上針對(duì)不同的問題類型構(gòu)建算法方案，并進(jìn)一步封裝成NLU框架、通用圖譜問答、技能平臺(tái)、開放平臺(tái)等模塊。然后在業(yè)務(wù)方面，最上層會(huì)采用符號(hào)化、結(jié)構(gòu)化、數(shù)值化的思路對(duì)query進(jìn)行通用處理，再按系統(tǒng)應(yīng)用、生活服務(wù)、影音娛樂、信息查詢、智能聊天幾個(gè)維度進(jìn)行業(yè)務(wù)拆分，各業(yè)務(wù)線獨(dú)立迭代。最后再結(jié)合對(duì)話生成、融合排序優(yōu)選出最佳的技能去滿足用戶的訴求。

從處理流程上，又可以分為預(yù)處理、意圖識(shí)別、多分類ranking、資源獲取和后置處理幾個(gè)環(huán)節(jié)，其中前三個(gè)節(jié)點(diǎn)主要對(duì)意圖的召準(zhǔn)率負(fù)責(zé)，后兩個(gè)節(jié)點(diǎn)對(duì)資源的覆蓋度和結(jié)果相關(guān)性負(fù)責(zé)，全流程一起為最終的技能執(zhí)行滿意度負(fù)責(zé)。

語義算法系統(tǒng)中涉及的關(guān)鍵算法模塊如下圖所示，后續(xù)將分別對(duì)語義理解、對(duì)話管理、對(duì)話生成三個(gè)核心模塊進(jìn)行介紹。

意圖識(shí)別是語義理解的核心模塊，其主要任務(wù)是通過對(duì)用戶當(dāng)前Query，以及交互歷史的分析，推斷用戶到底想要干什么，包括封閉域、開放域、上下文幾種典型的場(chǎng)景。

槽位提取是與意圖識(shí)別密切關(guān)聯(lián)的任務(wù)，主要任務(wù)是從用戶當(dāng)前Query以及交互歷史中提取關(guān)鍵信息，輔助精準(zhǔn)獲取用戶所需的答案/內(nèi)容。

意圖識(shí)別和槽位提取共同構(gòu)成語義理解模塊，其難點(diǎn)主要在于口語多樣化（億級(jí)別獨(dú)立Query）；歧義性（如小豬佩奇是動(dòng)畫片，也是App）；依賴知識(shí)（如“可不可以”竟然也是一首歌名）。

對(duì)話管理是語義算法系統(tǒng)的另一關(guān)鍵模塊，其任務(wù)是根據(jù)當(dāng)前Query和對(duì)話上下文推導(dǎo)對(duì)話狀態(tài)，并據(jù)此推理對(duì)話系統(tǒng)下一步的最佳響應(yīng)。

完成語義理解和對(duì)話管理后，還需結(jié)合對(duì)話生成才能實(shí)現(xiàn)技能的最終恰當(dāng)?shù)膱?zhí)行反饋，對(duì)話生成的任務(wù)就是根據(jù)語義理解的解析結(jié)果和要執(zhí)行的動(dòng)作，通過恰當(dāng)?shù)姆绞将@取恰當(dāng)?shù)捻憫?yīng)話術(shù)。

在算法模型方面，小布以強(qiáng)深度學(xué)習(xí)驅(qū)動(dòng)為主，這類模塊一方面效果較好，另外技術(shù)方案也已經(jīng)比較成熟，存在非常多成功的案例。

然而值得強(qiáng)調(diào)的是，在這一領(lǐng)域基本不存在“一招鮮”的單一模型解決所有技術(shù)問題的算法方案，一般基于深度學(xué)習(xí)的主模型負(fù)責(zé)保障效果的基本面，仍需要結(jié)合定制規(guī)則來處理邊角的badcase。

面對(duì)系統(tǒng)應(yīng)用操控類技能，為了提升語義理解的效果，我們主要采用基于規(guī)則和深度學(xué)習(xí)模型融合的方案，其中反向規(guī)則用于快速拒絕領(lǐng)域外的Query，正向規(guī)則用于覆蓋強(qiáng)說法，深度學(xué)習(xí)模型負(fù)責(zé)通用case的泛化識(shí)別。此外為了提升意圖和槽位的聯(lián)合準(zhǔn)確率，引入了多任務(wù)聯(lián)合學(xué)習(xí)。

多任務(wù)聯(lián)合學(xué)習(xí)能使得意圖和槽位互相消歧，主要應(yīng)用在電話、短信、日程等技能上，相對(duì)與單任務(wù)獨(dú)立學(xué)習(xí)，一般準(zhǔn)確率能提升1%～3%。結(jié)合細(xì)致的數(shù)據(jù)驅(qū)動(dòng)優(yōu)化和規(guī)則校驗(yàn)，基本可以做到95%以上的召準(zhǔn)率。

面向知識(shí)強(qiáng)依賴型的技能，如音樂、電臺(tái)、影視等，我們主要采用了融合知識(shí)的意圖識(shí)別方案，如下圖所示。這類技能主要難點(diǎn)是單從句式無法判定意圖，從Query中準(zhǔn)確提取資源字段非常關(guān)鍵，融合資源關(guān)聯(lián)結(jié)果后再進(jìn)行意圖識(shí)別能顯著降低問題求解的難度。

不同于封閉域，開放域的意圖識(shí)別難以建模成分類問題，一般需要采用語義匹配方案進(jìn)行求解。針對(duì)這類問題，我們主要采用深度語義匹配方式，如下圖所示。相對(duì)傳統(tǒng)基于文本符號(hào)的匹配，效果更好，匹配準(zhǔn)確率可達(dá)到95%以上；不過也存在主語識(shí)別、語義包含等問題，需要配合下游驗(yàn)證策略控制。目前主要應(yīng)用在信息查詢和閑聊QA匹配中。

此外，為了進(jìn)一步提升語義理解的效果，我們也在探索大規(guī)模復(fù)雜模型的落地方案。在大規(guī)模預(yù)訓(xùn)練語言模型方向，團(tuán)隊(duì)在開源模型基礎(chǔ)上進(jìn)行改進(jìn)、重訓(xùn)與微調(diào)，實(shí)現(xiàn)了效果上的快速提升，目前排在中文語言理解測(cè)評(píng)基準(zhǔn)（CLUE）總排行榜第六名。

不過這類模型計(jì)算復(fù)雜度很高，一般難以滿足線上推理的時(shí)效性要求，需要結(jié)合知識(shí)蒸餾等加速方案才能落地應(yīng)用。

常見的知識(shí)蒸餾方案可以分為數(shù)據(jù)蒸餾和模型蒸餾兩種，其中數(shù)據(jù)蒸餾的假設(shè)是簡(jiǎn)單模型是因?yàn)闃?biāo)注數(shù)據(jù)的缺失導(dǎo)致效果不如復(fù)雜模型，如果利用復(fù)雜模型提供足夠多的偽標(biāo)注數(shù)據(jù)，可以幫助簡(jiǎn)單模型逐漸逼近復(fù)雜模型的效果；模型蒸餾的假設(shè)是簡(jiǎn)單模型不僅僅是缺少足夠多的數(shù)據(jù)，而是缺乏好的指引，如果通過訓(xùn)練復(fù)雜模型過程中獲得的中間結(jié)果來同時(shí)指引簡(jiǎn)單模型的訓(xùn)練過程，則有助于簡(jiǎn)單模型逼近復(fù)雜模型的效果。數(shù)據(jù)蒸餾和模型蒸餾都有在小布助手業(yè)務(wù)中落地應(yīng)用。

對(duì)話系統(tǒng)也被認(rèn)為是下一代搜索引擎，用戶關(guān)于知識(shí)問答類的訴求也非常多，預(yù)期是能夠獲得精準(zhǔn)答案，為了滿足這類需求，我們通過數(shù)據(jù)獲取、數(shù)據(jù)挖掘構(gòu)建自有知識(shí)庫(kù)，再結(jié)合在線語義匹配、KBQA等提供問答服務(wù)。

此外，為了精準(zhǔn)回答垂域事實(shí)類的問題，我們還構(gòu)建了基于知識(shí)圖譜的通用問答能力，對(duì)于精品垂類，通過數(shù)據(jù)合作和自助爬取構(gòu)建領(lǐng)域圖譜，再基于模版和圖譜進(jìn)行精準(zhǔn)問答。

小布助手目前線上有超過50%的頭部流量由自建知識(shí)問答服務(wù)，長(zhǎng)尾部分還以來度秘、搜狗等強(qiáng)搜索公司。

在對(duì)話管理方面，常用的方案包括基于有限狀態(tài)機(jī)的方案、基于Slot-Filling的方案，以及端到端的方案，其難點(diǎn)是靈活的流程控制、上下文的繼承與遺忘、意圖跳轉(zhuǎn)、異常處理等，目前主要采用Slot-Filling的模式。

為了在多輪中達(dá)到比較好的上下文理解效果，小布助手實(shí)現(xiàn)了基于指代消解的上下文理解方案，用于處理多輪對(duì)話中普遍存在的指代和省略問題。

參考：ACL’2019 Improving Multi-turn Dialogue Modelling with Utterance ReWriter

借助于對(duì)話管理和上下文理解，小布助手已支持沉浸式強(qiáng)多輪、自由切換弱多輪、上下文推理多輪等模式，覆蓋了任務(wù)型、信息查詢、多輪聊天等業(yè)務(wù)場(chǎng)景。

在對(duì)話生成方面，目前行業(yè)里主要有基于模板、基于檢索、基于模型三種類型，由于生成式模型可控性弱，目前小布主要采用基于模版和基于檢索的方案，生成式模型仍在預(yù)研中。

在算法工程方面，早期為了快速上線，提供了基于Python的服務(wù)框架，通過部署多實(shí)例來彌補(bǔ)單服務(wù)并發(fā)能力弱的問題；目前針對(duì)計(jì)算復(fù)雜度高的服務(wù)也在探索算子化工程重構(gòu)優(yōu)化，以及聯(lián)合機(jī)器學(xué)習(xí)平臺(tái)團(tuán)隊(duì)探索更簡(jiǎn)單高效的服務(wù)模式。

在技能建設(shè)方面，早期為了快速上線，以技能定制研發(fā)為主；去年底開始啟動(dòng)技能平臺(tái)建設(shè)。主要思路是標(biāo)準(zhǔn)化離線模型生成和在線推理流程，將關(guān)鍵算法算子化，通過數(shù)據(jù)導(dǎo)入和流程配置完成技能研發(fā)，降低中長(zhǎng)尾技能支持和維護(hù)成本。

最后，為了保障對(duì)話交互的效果體驗(yàn)，我們聯(lián)合數(shù)據(jù)團(tuán)隊(duì)和評(píng)測(cè)團(tuán)隊(duì)構(gòu)建了全流程的閉環(huán)監(jiān)控方案，先由研發(fā)自測(cè)保證算法模型效果符合預(yù)期，然后在發(fā)版時(shí)再進(jìn)入一輪批測(cè)，確保不會(huì)引入新的風(fēng)險(xiǎn)；上線以后，會(huì)有例行的監(jiān)控和即時(shí)監(jiān)控來分別保障整體效果和監(jiān)控關(guān)鍵功能正常；此外，還會(huì)引入基于人工的抽樣評(píng)測(cè)和三方評(píng)測(cè)進(jìn)一步監(jiān)控體驗(yàn)。

5 挑戰(zhàn)與未來思考

盡管對(duì)話交互近幾年來在算法技術(shù)上取得了很大的進(jìn)展，但是相對(duì)于用戶期待的賈維斯和大白，還存在非常多的挑戰(zhàn)。

首先在語義理解方面，目前的模型本質(zhì)上還是基于數(shù)據(jù)的統(tǒng)計(jì)歸納，遇到極端case時(shí)缺乏魯棒性和完備性。

其次，作為有潛力替代搜索引擎的候選，勢(shì)必要承擔(dān)“百事通”的角色。然后，低頻問答存在領(lǐng)域開放、長(zhǎng)尾效應(yīng)明顯、非常依賴知識(shí)內(nèi)容等難題，建設(shè)難度和成本非常高。

另外，不同于相對(duì)成熟的搜索和推薦場(chǎng)景，對(duì)話交互能力迭代優(yōu)化主要依賴人工，難以接上大數(shù)據(jù)驅(qū)動(dòng)的自反饋?zhàn)詫W(xué)習(xí)高速引擎，難以快速提升。

未來的挑戰(zhàn)還遠(yuǎn)遠(yuǎn)不止于此，我們將持續(xù)在更強(qiáng)大的語義理解能力、更淵博的知識(shí)、更流暢的對(duì)話、更領(lǐng)域的對(duì)話管理，以及自反饋、弱監(jiān)督、自進(jìn)化學(xué)習(xí)能力等方面積極探索，為打造中文領(lǐng)域用戶體驗(yàn)最好的智能助理而不懈努力。

歡迎對(duì)智能助理和對(duì)話交互技術(shù)感興趣的同事一起交流討論！

作者簡(jiǎn)介

zhenyu OPPO小布智能中心NLP與對(duì)話算法負(fù)責(zé)人

深圳市高層次人才計(jì)劃入選者，于中國(guó)科學(xué)技術(shù)大學(xué)獲得計(jì)算機(jī)學(xué)士和博士學(xué)位。

近年來專注于對(duì)話式AI關(guān)鍵算法技術(shù)研發(fā)與落地，2018年加入OPPO主導(dǎo)小布助手NLP與對(duì)話算法系統(tǒng)建設(shè)。所從事研究工作學(xué)術(shù)論文代表作單篇他引超過800次，曾獲高等院校（科學(xué)技術(shù)）科技進(jìn)步二等獎(jiǎng)1次、湖南省科技進(jìn)步二等獎(jiǎng)2次。

獲取更多精彩內(nèi)容，請(qǐng)掃碼關(guān)注[OPPO數(shù)智技術(shù)]公眾號(hào)

總結(jié)

以上是生活随笔為你收集整理的OPPO小布助手算法系统探索、实践与思考的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

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