场景机器人与场景绑定、结合场景相关话术和跳转规则,可以做:客户画像查询、产品信息查看、场景演练、面见话术等,还可以进行交叉销售、客户关联查询。
3.8 KG机器人原理KG机器人,即知识图谱机器人,本质上是一种语义网络,其结点代表实体或者概念,边代表实体、概念之间的各种语义关系。KG机器人是基于知识图谱推理给出结果,也是基于检索型机器人的一种。
相较于纯文本,知识图谱在问答系统中具有以下优势。
数据关联度:语义理解程度是问答系统的核心指标。在知识图谱中,所有知识点被具有语义信息的边所关联。从问句到知识图谱的知识点的匹配关联过程中,可以用到大量其关联结点的关联信息。这种关联信息无疑更为智能化的语义理解提供了条件。
数据精度:回答准确率高,知识图谱的知识来自专业人士标注,或者专业数据库的格式化抓取,这保证了数据的高准确率。
数据结构化:检索效率知识图谱的结构化组织形式,为计算机的快速知识检索提供了格式支持。
这些优势都促使我们在构建智能聊天机器人平台时使用知识图谱来作为问答系统的知识来源。
举个例子,这是保险的知识图谱,包含了:查询实体属性-平安境内旅行险一个月多少钱?查询关系以及属性-能保骨折,且承保时间在5年以上的保险有哪些?查询简单关系-平安境内旅行险能保意外骨折吗?查询复杂关系-想买一个能保骨折,并且能够在海口市的三甲医院报销的保险。
这些本质上都是在进行图查询,查询实体的属性,查询实体和实体之间的关系等。
知识图谱机器人构建过程中:
首先第一步是定义知识图谱的领域知识,上述例子中我们相当于在面向对象定义实体、属性、关系等,三元组(实体、属性、关系)的关系定义好了以后,才可以构建图谱模型。
接下来是提取信息,这个过程涉及到大量的训练、在线标注等,需要从现有的表单、文档中将需要的信息提取出来,并将提取的信息导入第一步构建的模型中。
然后是知识问答。需要从问句中提取实体、属性、关系。在这个例子中,重大疾病险的等价词是重疾险,重疾险是一个实体,结肠癌也是一个实体。最后问句就被转换为一个实体和实体之间关系的预测。
当用户问问题时候,把问句转化成图计算,机器人通过知识图谱进行查询计算,并转化为答案反馈给用户。
3.9 模型编排除了上述各种机器人之外,聊天机器人平台还涉及到模型编排和模型管理的部分。比如有的业务只需要QA机器人,这时通过预处理,调用QA机器人,经过角色权限过滤就可以提供服务了。有的场景可能需要多种机器人进行合作,这就涉及到路由/群发,群发机器人的结果还要进行融合合并。
模型编排,将不同的模型进行组合,以可视化的方式对调用的模型顺序进行编排,支持拖拽式配置。
模型本身是需要服务化的。我们的实际模型本身是一些python服务,我们将这些python服务进行封装,进行服务的统一管理,这样的话就可以对模型定义统一的接口,还可以进行自动化的更新,比如通过定时模型训练去更新此模型,其他模型不受影响,如上图所示的模型手动更新和自动更新。同时我们可以进行单元测试和链路测试。
3.10 智能聊天机器人能力目前平台已能够支持:
多类型机器人集成功能,包括问答、任务、闲聊等;
复杂情景会话:包括多轮对话功能、话题追踪功能等;
多渠道机器人交互终端;
统一的机器人管理框架;
完善的人工客服能力支持;
全面的数据记录与统计。
3.11 机器人平台功能聊天机器人平台主要功能包括以下几个方面。
聊天机器人平台。聊天机器人平台的前台有机器人应答、QA、文档检索、关联检索、离线消息、会话历史、常见问题、问候语等功能。后台包括搜索引擎是否介入、反馈设置、外观设置、场景设置、模型配置等功能。