隨著近年來人工智能技術的發展，Chatbot聊天機器人越來越普及，隨之而來的用戶訪問不斷增多，如何讓Chatbot系統在解決用戶問題的同時簡化用戶操作，優化用戶與機器人聊天過程中的體驗成為當前難點。

目前的智能問答機器人不僅需要實現智能人機交互（文本、語音等）的全渠道多媒體整合應用，而且需要各領域內大數據、深度語義理解等前沿技術上的研究與積累，讓機器人去回答用戶的同時預測用戶接下來的意圖，并做對應的個性化處理，因此針對Chatbot的用戶未來意圖預測技術應運而生。

1、京東JIMI及發展現狀

1.1 關于JIMI

京東JIMI是由京東自主研發的Chatbot，通過自然語言處理、深度神經網絡、機器學習等技術，能完成全天候、無限量的用戶咨詢，涵蓋售前咨詢、售后服務、閑聊陪伴等環節。

自2012年誕生至今，已累計服務數億用戶，覆蓋京東10億+的商品，應答準確率90%以上，用戶滿意度高達80%以上，每月為京東節省上千萬人力成本。

1.2 現有技術方案

JIMI現有技術架構主要由以下模塊組成，如圖1所示：

(1)算法：包括糾錯、分詞、實體識別、知識圖譜、詞法分析等模塊，根據用戶輸入的問題，結合領域術語詞庫和其他語法、語義方面的資源，在解決歧義、指代關系等問題后，使用深度神經網絡技術，提供用戶意圖的精準理解。

(2)工程：根據業務處理邏輯，判斷該問題的答案處理流程，例如答案是閑聊或業務，是否需要用戶登錄等。

(3)數據：通過對用戶原始數據的挖掘、清洗和聚合等，實現對客服領域知識的儲備，并對現有數據做可視化處理。

圖1：Chatbot系統架構圖

1.3 現有方案的缺點

傳統Chatbot只能根據用戶的當前問題，給出對應的答案，類似于一問一答的形式。對于用戶在聊天過程中接下來的意圖，沒有預測功能。如此以來用戶每次都必須完整輸入自己想問的問題，才能獲得相關答案。這種方式比較費時，用戶體驗也不是特別好。

本文接下來會介紹一種基于用戶未來意圖預測的方法，對用戶的聊天過程做實時分析，根據當前及歷史問題，智能預測用戶接下來的意圖，提升用戶的聊天體驗。

2、預測未來意圖技術方案

2.1 應用場景

基于現有技術存在的問題和缺陷，我們提出了一種智能預測用戶下一個意圖的方法。該方法基于用戶目前訂單、購物車狀態等賬號信息以及歷史聊天內容，智能預測用戶接下來最可能問的問題。它主要會在以下兩種場景下使用：

1）用戶開始咨詢前預測

如何在用戶進入JIMI后還未咨詢前，提前預測用戶可能會問到的問題，并將其直接展示給用戶供用戶點選，提升用戶體驗，需要解決兩個技術問題，一是如何獲取用戶可能會問的標準問題，二是如何做到個性化地對不同的用戶推送不同的問題。

在具體實現上，采用人工去整理就存在人力成本高、問題更新不及時的情況，因此我們采用無監督的聚類方式得到用戶可能問的標準問題，再通過線上試驗，先隨機出這些問題，收集用戶點擊作為分類標簽，最后用分類的思想去解決它。

具體技術實現如下，如圖2所示，首先按熱門SKU的維度收集問題，包括用戶在JIMI/咚咚發送的信息，以及單品頁購買中咨詢的問題。這些原始問題不能直接作為標準問題進行使用，所以需要人工進行一次過濾，由于數據量非常龐大，這里采用Logistic Regression訓練一個語料過濾模型，用于數據清洗。接著對這些問題做切詞，word2vec訓練詞向量，進而得到句子向量，最終用K-means聚類的方法，找到最大的前20個Cluster，選出現次數最多的問題作為標準問題。

圖2：用戶進入咨詢前預測

系統上線后,先隨機出這些問題，然后根據用戶點擊行為確定樣本的標簽，再收集用戶的訂單、服務單、實時瀏覽數據、以及畫像數據作為樣本，最終訓練一個用于用戶開始咨詢前的未來意圖預測分類模型。當用戶再來咨詢時，根據分類模型給出用戶最可能問到的前3個問題，供其點選。

2）用戶咨詢過程中實時預測

對于用戶咨詢過程中的未來意圖預測，如圖3所示，系統會在用戶說每句話時，實時預測用戶下一意圖，并將預測的TOP5用戶意圖展示在前端界面。如果用戶覺得預測準確，可直接點擊該問題獲取答案，不用自己手動輸入問題，從而提升用戶體驗。

圖3：用戶咨詢過程中實時意圖預測

2.2 未來意圖預測流程

用戶咨詢過程中未來意圖預測流程包括預處理、模型預測，數據記錄三大模塊。如圖4所示：

圖4：用戶咨詢過程中未來意圖預測模塊內部流程圖

各模塊的作用如下：

預處理：預處理模塊主要做一些必要入參的判斷，比如判斷輸入的用戶ask是否合法，以及對于用戶提問小于2句的情況，不做未來意圖預測處理。用戶提問大于2句才會繼續往下走到模型預測模塊。

模型預測：通過模型計算用戶下一個可能的問題概率，如果預測值低于當前設置的閥值則不做推送，高于閾值才會繼續往下走到數據記錄模塊。

數據記錄：負責系統日志記錄，比如記錄下每句話具體推送了哪些分類，方便系統上線后模型調優。

接下來，詳細介紹模型預測子模塊。該模塊通過模型分類的方法，將用戶問題對應到不同分類，并實時計算用戶下一問題的概率。具體技術方案如下：

1）樣本構造

首先，收集用戶和客服的聊天日志信息，我們可以根據這些海量信息，發現用戶當前問題與下一個問題的聯系。

比如用戶進入咨詢首先發送“你好”，然后說“這個商品有貨嗎？”，緊接著問“有優惠嗎？”，最后問“現在下單，什么時候能送到?”。這時我們構造樣本就需要把前三句話拼在一起，構造出來這樣的樣本“你好這個商品有貨嗎？有優惠嗎？”

2）標簽構造

上面這個樣本的標簽就是第四句話“現在下單，什么時候能送到？”所對應的分類。

如何確定分類？用人工審核的方式，將所有用戶的問題都看一遍，并將每個問題對應到一個具體的分類。比如用戶問“我的商品有貨嗎？”或者“還有貨嗎？”都會被分到“是否有貨”這個分類，標記“分類1”，以此類推。

3）標簽選擇

推送給用戶的問題，最好是用戶常問的問題，而不是一些長尾問題，這樣可以提升推送的準確率。

統計最近1年的聊天日志，將所有用戶每句話對應到一個分類標簽，計算出TOP10的分類標簽，主動推送的分類就限定在這TOP10之中。最終構造出的樣本和標簽信息，如圖5。

圖5：構造樣本和標簽

樣本構造的總體思路：

• 從最近1年的聊天日志取出用戶原始問題
• 將用戶的問題分類，每個用戶問題對應一個類別標簽
• 每通會話包含N個用戶問題，其中前N-1個問題拼起來作為樣本，第N個問題的分類，作為該樣本標簽
• 最終取TOP10的標簽分類，保證預測結果能夠覆蓋用戶的高頻問題

4）模型訓練：

深度學習CNN模型，可用于求解一個分類問題，將用戶的問題映射到一個具體的分類。最終在算法選型上，我們采用深度學習CNN模型，其中模型參數：

• 詞向量采用100維
• 每個樣本限定30個字以內，超出30截斷，不足30補充隨機向量
• 單層CNN網絡，第一層卷積核大小3*50

5）模型效果

最終模型效果的統計，我們通過建立BaseLine與模型對比的方式來度量。BaseLine的建立思路如下：針對當前分類X，基于歷史數據統計，給出最高頻的下一分類Y

3、結語

經線上驗證，用戶未來意圖預測技術已經能優化用戶咨詢效率和咨詢體驗，讓機器人不僅“懂你所問”，更“知你所想”。后續基于不斷優化提高的自然語言理解能力和深度學習，對用戶未來意圖預測會越來越準確，讓用戶體驗更智能的機器人。

【作者簡介】鄒波，京東JIMI核心算法架構師，致力于NLP領域和深度學習方向。目前負責用戶未來意圖預測，智能分流，會話結束預測等項目，極大的提高了客服工作效率，同時也降低人力成本，提升了客戶體驗。本文來自鄒波在“攜程技術沙龍——人機語義交互AI”上的分享。

https://zhuanlan.zhihu.com/p/31453521

總結

以上是生活随笔為你收集整理的京东JIMI用户未来意图预测技术揭秘的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。