问答系统设计的一些思考

问答系统通常分为任务型机器人、闲聊机器人和解决型机器人（客服机器人），三者的设计分别针对不同的应用场景。A）：任务型机器人主要用于完成用户的某些特定任务，比如：买机票、话费充值或者天气咨询。B）：闲聊机器人主要用于深入的和用户进行无目的交流；C）：解决型机器人（客服机器人）用于解决用户的问题，比如：商品购买咨询、商品退货咨询等。这里通过一些案例分析来介绍不同情况的算法选型：

任务型问题，1）：“成都今天天气怎么样”；2）：“明天呢"；3）：“后天呢”。

Slot Filling

首先，“成都今天天气怎么样”属于天气类问题（其中包含实体“地点”、“时间”），已经能够完成应答；然后，“明天呢”该句话仅包含实体信息（”时间“），并未包含地点信息，如果直接采用意图分类，不能完成此次应答；最后，”后天呢“同样是只包含实体信息（”时间“）。针对此类的多轮对话场景，可采用slot filling的方式进行应答（slot filling是多个槽值组成，例如：天气场景需要实体槽值“地点”和“时间”）。”明天呢“和”后天呢“只包含”时间“实体，但是上文”成都今天天气怎么样“则包含了”地点“实体，只需要将下文的实体（“时间”）替换上文的实体（“时间“）即可。

解决型问题，1）：”iphone X多少钱“；2）：”邮费是多少呢”；3）：“可以无理由退货么？”。

特征拼接上下文模型

针对此处的多轮对话，涉及到商品的购买、售前运费和退换货政策三个意图，并且后面的意图分析需要前文的会话意图，就是一个典型的多轮对话过程。首先，“iphone X多少钱”可以通过单句的意图分类即可完成应答；而“运费是多少呢”则需要判断用户咨询的属于售前运费还是售后运费，此时可通过结合上文问题的方式进行意图分析（1：抽取上文的意图特征加入当前问题可解决部分上下文场景问题；2：结合上文和当前问题采用深度学习的算法进行上下文的意图分析）。最后，“可以无理由退货么”需要知道商品的信息才可以回答用户的问题，因此需要上文商品“iphone X”（可以将对话中实体、商品信息保存用于下文应答）。

解决型问题，1）：”https://item.jd.com/6577511.html?jd_pop=67fb9e1c-df43-4cf9-9509-37998e9c983a&abt=0“；2）：”多少“；3）：”钱？“

层级上下文模型（H-CNN-GRU）

此时多轮对话过程中，涉及到用户输入过程中单句输入不完整。slot filling和简单抽取上文特征的方式并不适合，而组合多句输入则可以完成此处的应答（具体方式见此处）。

闲聊型问题

聊天记录

针对闲聊型问题，由于用户并无明确的意图，因此不适合做意图分类，这里我们可以采用生成式模型，根据大量用户历史的闲聊语料生成相应的答案（生成式模型得到的答案可能存在语法、连贯性问题，但是闲聊场景的对话对语句语法和连贯性要求不高，相对随意）。

seq2seq模型

总结：我们在分析一个人的时候通常涉及IQ和EQ两个方面，IQ在于解决问题的能力，而EQ在于解决问题的方式。在实现一个机器人问答系统的时候，我们也应该考虑IQ和EQ两个方面。这里只是针对问答系统中的一些特殊案例进行分析，一个完整的问答系统仍需要大量其他方面的工作，比如：让问答系统的回答更加拟人化（用户情感分析）。