智齿科技CTO吴立楠：NLP在对话系统中的应用

吴立楠介绍，智齿科技人工客服的实现模型，可简化为输入、词汇模型、计算系统和输出四层架构。其中，词汇模型并行的包括记忆和推理两个部分，记忆是多轮对话的基础，推理包括分词、主干提取、聚类、指代消解等，对于对话效果影响较大。

分词是语义理解的基础而重要的工作，智齿科技尝试过大部分分词工具，但经验表明最先进的技术不一定得到最符合需求的效果。吴立楠强调，要根据场景，在不同的环节采用不同的分词，还要要不停地迭代词汇模型、不停地训练分类器。

以下为吴立楠分享图文实录：

我是智齿科技联合创始人和CTO，大家都叫我“老吴”。我最早是学物理的，后来毕业的时候干了计算机，做过大项目，做过电信领域的架构，也做过电商，现在是到智齿科技做一个基于人工智能的客服产品。

我的分享分为两个部分，第一部分是我们目前关注的是国内外几个主要的NLP和人工智能的公司，以及他们的技术、产品形态，第二部分是我们是怎么把NLP，或者更确切的说是NLU应用在客服领域。

NLP/AI技术的不同应用

先说大一点的公司。一提人工智能，大家都想到Siri。Siri后面有两家公司，一个是Nuance，做语音识别的，相当于国内的科大讯飞和云之声，还有另一家是斯坦福研究机构国际智能中心（SRI），做语义理解的，后来被Apple收购了。

再说IBM，从10多年前的deep blue（深蓝）到现在的Watson。大家都知道，深蓝当年的一个新闻是下国际象棋赢了国际冠军卡斯帕罗夫，而Watson最近的新闻是开始应用于检测早期痴呆症了。

还有两家大公司的产品，百度新推出的小度，实际上是下一代搜索引擎的雏形。目前的搜索引擎基于索引、词频、pagerank，把多个答案罗列；下一代搜索引擎通过内容提取，只给出你想要的唯一答案。最近比较火的还有微软的小冰，除了自然语言理解还要视觉计算，比如可以进行年龄识别、看颜值等。

到这里大家可能会说，这些都是国际性的大公司，他们的研发实力和资金都很雄厚，所以才能做这些“高科技”的事情，而我们只能做一下相对“low”的事情。其实不是的，我再说几个国内小公司，看一下他们是怎么做的。这些公司里，有的是只有几个人，现在开始发展起来。

第一个是一个把人工智能应用到时尚界的公司，叫码隆科技，他们有一个微信号，只要你上传一张照片，比如拍的是花、狗、乃至香蕉，都能找到对应的服饰，如下图为茶杯和小龙虾。

其实图形搜索是早就有的技术了，就看大家能不能想到他们可以怎么用。

还有一家叫everstring，他们是通过不断的挖掘和分析全网在线的企业信息，结合每家企业内部的CRM系统，利用机器学习自动建立量化客户模型，然后再用这个模型在全球的其他客户中，帮企业来预测谁会是他们的目标客户。

NLP在智齿科技对话系统中的应用

下面我说一下我们是干什么的，以及怎么干的。我先举几个我们自己的例子，我们是做对话系统的，比如基本的寒暄，多轮会话，一些常识性问题，一些例如成语接龙的文字游戏。

当然还有一些例如刘德华的身高、宫保鸡丁的做法、高血压怎么办等等的问答能力。

但是上面这些都不是我们的主业，我们是做客服的。这个也是我们和小冰、siri的区别。我们是为客户解决业务问题的。

我们做了一个智慧客服的产品。举个例子，你在网上购物的时候，想咨询客服，但是咨询人工客服需要排队，这时候，你可以先咨询客服机器人，通过我们的运营数据，说明我们的机器人可以挡掉60%的咨询量。

从另一个角度讲，人工客服在接待用户的时候，机器人会像一个助手一样，把答案先列在页面上，由人工客服去编辑，乃至直接发送，缩短了人工客服的工作时间。

上面看到的都是产品的外在样子，下面我说一下内在的实现逻辑，架构图如下：

这个图一共分了几部分，看起来很简单，但实际流程比较复杂。输入部分就是用户输入的各种问题，记忆是我们保留的用户最近的若干条对话记录，以及从该对话记录中提取出来的实体。目前是短期的记忆，将来还会有一个针对每个用户的长期的记忆模块。

推理这个框说的比较笼统，实际上流程很多，也在一定程度上决定了一次问答最后的效果。在这的推理包含了初步的分词、去停止词、同义词替换，还包括对分词之后的主干提取、甚至聚类，通过刚才说的记忆模块，来对问题进行重组，也就是指代消解。

比如咱们刚才看到的天气的例子。第一次你问“今天天气怎么样”，第二次你问“上海呢”，第三次你问“下周呢”，经过记忆和推理模块，会自动生成新的问题“上海今天天气怎么样”和“上海下周的天气怎么样”。

刚才还提到了聚类，这块是通过分类的算法，将问题细分到不同的知识组。用我们的一个客户乐视举例。乐视现在商场上主要有两块业务：手机和电视。当用户咨询一个问题的时候，基本上不是手机就是电视的。所以在这块，我们会先根据实体来区分问题的种类，这样就能缩小范围。但是这块风险很大，如果一旦分错了，那后面肯定就全错了。

通过前面可以看出，从推理这边会生成新的问题和对应的分类，再向下，会进入到计算模块，通过推理文本生成最终的文本到达计算模块，会先进行并行计算。

比如前面的例子，有“你好”、“你是谁”这种纯寒暄的，也有问天气的、美食的、股票的、空气质量的、新闻的，也有“我想买个电视机”这种业务的。

所以当文本到达这里的时候，会分成几个维度进行并行的计算，最终由计算控制来最终选择一个结果。计算控制是一个投票系统，最终根据需要，选出第一名或前若干名。

这里我举一个乐视业务的例子：我想买个电视机。但是加上许多干扰词的时候，我们会进行分词，主干提取，最终都会知道用户最想问的是“我想买个电视机”。

在计算模块中，还会进行编解码的操作。比如问天气、股票等等，是需要调用第三方接口的，所以需要经过“文本”—>“代码”的过程。最终由计算控制挑选答案后，再进行结果生成，组成最终答案，然后再返回给用户。

在并行计算这块，我们有几种方法：有基于有限状态机的，有基于图论的等等。

开发过程中越到的坑

下面我简单说一下，我们在开发中遇到一些问题，一些坑，有技术的，有非技术的。

第一，高大上的东西虽然好，但在特定的场景下不见得实用。

用大家比较熟的分词举个例子。分词有几种方式，有基于词典的分词、基于词频的分词、基于知识理解的分词。

最开始我们做系统规划的时候，肯定是想找最先进的，但是效果并不好。后来我们在不同的环节采用不同的分词。比如需要实体识别特别准的时候，就用基于词典的分词，而且这个词典是要不停迭代的。

我们的客户有互联网金融的、电商的、O2O的，所以有一些专业词汇，而在其他地方，可能需要的是速度，或只是为了去掉干扰词，就可以采用基于词频的分词。

其实这个坑在非技术领域也是这样。比如公司在发展初期，来一个oracle类的全球总监也不合适。在技术架构选项上也是，并不是最新的一定最好，代价最小、收益最大的才是最好的。

第二个坑，是技术不能太沉迷于技术，有时候需要抬头看看，为什么要这么做。

我们有一个例子，刚开始我们的机器人，是完全拟人的，采用一问一答的方式。这个在寒暄领域是完全没问题的。在寒暄类的问题上，哪怕错了，答案和问题不太相关，用户也不会觉得有什么。但是业务就不一样了，需要尽可能的准确。

所以我们要不停地迭代词汇模型、不停地训练分类器。我们现在正在做一件事，就是按行业区分词汇模型和分类器。按刚才说的几个大行业分类来做，效果会比一个通用好。

回到刚才的那个问题，业务问题一对一效果会不好，所以这时候抬起头来看看，用户想要的是什么，是尽可能的问题被解决掉。所以就把最接近的几个问题都返回给用户，就OK了。

以上就是我的分享，抛砖引玉，感谢大家参与，以上有不成熟的地方，请大家多包涵。

Q&A精选

Q: 主干提取怎么实现的？

A：主干提前比较简单，就是句子成分提取，主谓宾定状补。

Q：感觉大神介绍了这么多， 最起初的还是要切词、分词这块。这里是用什么成熟的技术？

A：在最开始，我们资源、精力有限，只能选用开源的分词，比如比较流行的ik、庖丁之类的都用过。后期，随着团队实力的增加，成员的增加，我们会对分词做一些对比和优化，在分词中可以对词进行标注，就能进行成分划分了。

Q：分词后的划分，刚大神介绍的，会把用户说的几次话进行合并分析，这块思路是什么？

A：举一个最简单的例子，第一个问题是“今天天气怎么样”，第二个问题是“上海呢”。在单独分析第二句“上海呢”的时候，发现是缺少主干的，只有定语的，就会从架构图上的记忆模块里找主语，然后进行拼接，变成“上海的天气呢？”

Q：感觉大牛好像对于NLP理解很深，现在都看到说CNN、DNN对于NLP应用很好，不理解。NLP可以理解为语义理解吗？CNN、DNN这些在NLP又有什么应用的地方啊？

A：机器学习、深度学习、神经网络相关的，咱们下次再聊。因为我们有一个问题学习的模块，就是机器人能自动学习未知的问题，目前正有一个大的升级。

Q：相似度计算怎么处理的？

A：在相似度上，就那几个主流方法：举例、余弦、KMP、simhash等等。还是刚才说的，需要找一个最适合自己的场景的。我们的场景特殊，对话系统都是短句，几个字或十几个字，最多二十几个字，不像一整篇文章。

如何愉快地一起聊AI？

1. 加入ImapBox人工智能用户微信群，交流人工智能相关技术，请加微信号“jianding_zhou”或扫下方二维码，由工作人员邀请入群。请注明个人信息、加群意图，并在入群后按此格式改群名片：机构名-技术方向-姓名/昵称。

2. 加入ImapBox 人工智能技术交流QQ群，请搜索群号：465538150。同上注明信息、修改群名片。

3. ImapBox高端专家微信群，采取受邀加入方式，不惧高门槛的请加微信号“jianding_zhou”或扫描下方二维码，PS：请务必带上你的BIO。

本文为ImapBox原创文章，未经允许不得转载，如需转载请联系market#csdn.net(#换成@)