新闻中心/NEWS
壹鸽AI技术小贴士-意图解析介绍
2020-09-25 11:12:21
随着壹鸽AI技术日趋成熟，最具代表性的智能语音客服机器人已经在快递物流、银行、保险、运营商等行业有了广泛应用。它可以在应用场景中快速判断客户意图，并进行相应的解答，许多人对此感到困惑，壹鸽智能语音客服机器人是如何了解意图并回复分类的呢？今天为大家带来了有关意图解析的内容介绍。
一、概念—意图
机器人要想帮助用户完成一些复杂任务，首先要了解用户到底想要什么。这里，用户想要的事情，称之为“意图”。
举个例子，当用户想要机器人帮他查询快递进度时，用户说“我的快递到哪里了”。用户说这句话的意图就是“查件”。
二、意图与其他概念的关系
用”高内聚、低耦合“的设计思想来搭建一个任务型对话，通常是一个很好的选择。此时：
1、一个任务型对话，由多个“意图”构成。
2、每个“意图”由触发器和关联到该意图的“流程”共同构成。
3、“流程”由多个“对话动作”和对话动作之间的“跳转”构成。
三、概念—触发器
每一个“意图”都有“触发器”。之所以叫“触发”，是指机器人识别出用户意图后，要“触发”之后预先设定好的由多轮交互构成的一个“意图流程”。
“触发器”中存放的是开发者维护的一些意图触发条件。平台的底层算法将“学习”这些触发条件，教会机器人如何理解用户意图。
按照触发方式的不同，“触发器”中有四种类型的触发条件：
1.关键词
当用户消息中的信息片段严格匹配或整体包含“触发器”中维护的关键词时，意图被识别，这个意图所关联的流程被“触发”。
精确匹配：搜索词与关键词一模一样，即可触发
关键词：快递怎么还没来
搜索词：快递怎么还没来
短语精确：搜索词完全包含关键词，即可触发
关键词：快递怎么还没来
搜索词：我的快递怎么还没来 快递怎么还没来到现在 淘宝买的快递怎么还没来到现在
短语同义：在短语精确基础上，关键词中插入、颠倒顺序、同义词替换，都可触发
关键词：快递怎么还没来
搜索词：快递那个怎么还没来 怎么还没来快递 快递怎么还没过来 包裹怎么还没来
短语核心：在短语同义基础上，搜索词与关键词核心部分一致，即可触发
关键词：快递怎么还没来
搜索词：我买的怎么还没来
广泛匹配：在稍微搭一点边，就能触发
关键词：快递怎么还没来
搜索词：怎么还 快递 还没来 没来
总结：
3大种5小种
精确匹配、短语匹配（短语精确、短语同义、短语核心）、广泛匹配
精准度
精确匹配>短语精确>短语同义>短语核心>广泛匹配
2.多模式串匹配
当用户消息与“触发器”中的某个句式在语义上很接近时，意图被识别，这个意图所关联的流程被“触发”。
按照复杂度不同，可能有下面几种类型的模板：
1）最简单的模板，就是完整一句话：“查快递”
2）稍微复杂些的模板：“查询*韵达网点的电话”
3）再复杂一些，可以是带实体类别标签的模板：“查询<address>网点电话”
3.正则式匹配
当用户消息与“触发器”中的某个正则表达式在语义上很接近时，意图被识别，这个意图所关联的流程被“触发”。例如，(查一下|查询)(快递|快件)(这个|那个)?(运费|费用)(啊|吧)？模板可能展开的路径如图2所示：
4.基于模型学习的分类方法
在文本分类中，可提供多种模型进行选择。以下是模型的说明，用户可以根据自己的具体场景，选择一个更适合的模型。
1）FastText 分类模型
速度快，计算资源要求低，适合样本数量大、类别标签多，适合不需要太多语义理解的任务。
2）CNN 分类模型
相比FastText 模型，CNN 适用复杂度更高的场景，可捕捉更多、更广、更细致的文本特征，适合需要一定语义理解的任务。对比FastText 通常效果要好一些，但训练时间也会更长。
3）BiLSTM-Attenion分类模型
相比FastText 模型，Self-Attention 适应复杂度更高的场景，可捕捉更多、更广、更细致的特征；跟CNN 相比，能更好地捕捉文本里的长期依赖。适合需要一定语义理解的任务。训练时间跟效果跟 CNN 类似。
4）融合模型（集成学习）
可融合CNN，BiLSTM-Attention，CNN-BiLSTM等机制的集成学习模型，适用各类文本分类场景，训练时间较长。
除此之外，壹鸽科技可以基于RapidMiner平台可深度定制适合场景的深度学习分类算法。如图3所示：
关于意图解析的介绍就到这了，壹鸽后续将会为大家带来更多相关的技术讲解，敬请期待把！