自然語言處理技術(shù)允許聊天機(jī)器人識別預(yù)加載的單詞并同時考慮句子的上下文，形式和詞性。例如，您可以訓(xùn)練聊天機(jī)器人在一條消息中識別幾個問題并獲得“我如何為訂單付款？”和“您能告訴我可能的付款方式嗎？”的相同含義。此外，智能聊天機(jī)器人可以詢問后續(xù)問題以獲得更多背景并提供更好的結(jié)果。

    對企業(yè)的好處

    聊天機(jī)器人可以：

    ?自動化重復(fù)流程

    ?全天候?yàn)榭蛻籼峁┛焖俜答?/p>

    ?降低呼叫中心成本

    ?刪除人為因素

    ?與信息系統(tǒng)集成

   銀行，網(wǎng)上商店，HoReCa，旅行社，電信公司以及快遞和運(yùn)輸服務(wù)都選擇將AI聊天機(jī)器人作為其客戶服務(wù)團(tuán)隊的一部分進(jìn)行整合。

    我們?nèi)绾螢槿肆Y源部門開發(fā)一個Chatbot

   來自同事的典型問題，如“你能告訴我如何獲得假期薪酬嗎？”或“我如何獲得運(yùn)動補(bǔ)償？”是人力資源人員每天都會遇到的痛點(diǎn)。他們分散注重關(guān)鍵任務(wù)的注意力。因此，我們想出了如何實(shí)現(xiàn)雙贏的結(jié)果：從人力資源部門解除日常流程的負(fù)擔(dān)，并為同事提供快速答案。決定開發(fā)一個智能聊天機(jī)器人，接管重復(fù)的咨詢活動。

    項(xiàng)目階段

    1.開發(fā)一個不提問題的Chatbot架構(gòu)

    首先，我們定義了聊天機(jī)器人的要求：

    1.Chatbot必須響應(yīng)用戶請求。

    2.Chatbot必須提供自然的會話體驗(yàn)。

    在開發(fā)之前，我們創(chuàng)建了一個聊天機(jī)器人架構(gòu)，它不能回答問題，但仍設(shè)法滿足用戶請求。

    結(jié)果請求處理算法非常簡單：

    1.將用戶的短語從文本轉(zhuǎn)換為數(shù)字向量。

    2.使用用戶意圖分類器處理數(shù)字向量。

    3.從與用戶意圖對應(yīng)的準(zhǔn)備短語列表中選擇滿足用戶請求的短語。

    簡單的聊天機(jī)器人架構(gòu)

    2.使用決策樹方法定義用戶意圖

   我們選擇了決策樹模型來定義用戶意圖。為了處理短語，我們使用詞袋算法將其轉(zhuǎn)換為數(shù)字向量。數(shù)字向量是一個數(shù)字?jǐn)?shù)組，其中每個數(shù)字表示單詞出現(xiàn)在句子中的次數(shù)。

   正如您所看到的，“查詢”一詞在一個句子中重復(fù)兩次，因此它對應(yīng)于數(shù)字2.并且句子中沒有“分析”，因此它對應(yīng)于0。

    我們?nèi)绾问褂胋ag-of-words算法將句子轉(zhuǎn)換為數(shù)字向量的示例

   在將句子轉(zhuǎn)換為數(shù)字向量之前，我們進(jìn)行了預(yù)處理-刪除了常用的單詞：連詞，介詞等。在此向量中，我們考慮用戶消息中可能出現(xiàn)的所有單詞。

    基于決策樹的聊天機(jī)器人和用戶通信的終方案

   我們使用scikit-learn庫中的DecisionTreeClassifier對用戶意圖進(jìn)行分類。即使有不熟悉的單詞，詞袋算法也表現(xiàn)得非常好。

    基于bag-of-words算法的智能聊天機(jī)器人對話框

    3.開發(fā)一個問題和執(zhí)行查詢的Chatbot架構(gòu)

    我們更改了聊天機(jī)器人架構(gòu)，以便我們的虛擬助手可以向用戶提問。

   我們添加了一個新的實(shí)體操作，用于定義執(zhí)行用戶請求應(yīng)執(zhí)行的操作。想象一下這種情況：網(wǎng)絡(luò)開發(fā)人員Pete要求聊天機(jī)器人找到他的同事Maria的電話號碼。機(jī)器人與同事的聯(lián)系人向數(shù)據(jù)庫發(fā)送請求，以向Pete提供所需的電話號碼。為了滿足這樣的要求，需要執(zhí)行所有動作。因此，聊天機(jī)器人不僅響應(yīng)具有預(yù)定義短語的用戶，而且還響應(yīng)于用戶的問題采取動作來創(chuàng)建新短語。

    我們還創(chuàng)建了一個實(shí)體：DataEntity。它顯示了用戶需要的數(shù)據(jù)。

   如果聊天機(jī)器人不了解用戶想要的內(nèi)容，則需要輸入短語。當(dāng)用戶說出某些內(nèi)容時，聊天機(jī)器人會嘗試了解其意圖。在這種情況下，有三種可能的情況：

    ?如果聊天機(jī)器人設(shè)法執(zhí)行此操作，它會嘗試執(zhí)行操作以滿足用戶請求。

   ?如果有足夠的數(shù)據(jù)來執(zhí)行請求，則聊天機(jī)器人會執(zhí)行操作并忘記用戶請求，因?yàn)樗J(rèn)為已經(jīng)執(zhí)行了此操作。

    ?如果沒有足夠的數(shù)據(jù)來執(zhí)行操作，聊天機(jī)器人會詢問用戶是否缺少信息。

    這是聊天機(jī)器人和用戶互動的方式：

    用戶和聊天機(jī)器人之間的交互架構(gòu)

    4.改變模型以支持神經(jīng)網(wǎng)絡(luò)

   基于詞袋的決策樹在文本識別中表現(xiàn)出相當(dāng)好的結(jié)果。但聊天機(jī)器人識別的意圖越多，其詞匯量就越大。這意味著處理的詞袋矢量中的元素數(shù)量變得更大。因此，使用決策樹訓(xùn)練聊天機(jī)器人需要花費(fèi)越來越多的時間。

    我們決定進(jìn)行一項(xiàng)實(shí)驗(yàn)：訓(xùn)練神經(jīng)網(wǎng)絡(luò)以確定用戶的意圖，看看這將如何發(fā)揮作用。

   為了將短語轉(zhuǎn)換為數(shù)字向量，我們使用了來自開放的FacebookAI存儲庫的已經(jīng)訓(xùn)練過的word2vec模型。該模型定義了每個單詞的相應(yīng)向量。

   為此，我們嘗試了多層感知器架構(gòu)。單詞的數(shù)字向量形成短語的數(shù)字向量。但是這個模型對于word2vec模型所熟悉但在訓(xùn)練期間沒有被提及的新單詞變得不穩(wěn)定。

    我們選擇了具有雙向LSTM層的神經(jīng)網(wǎng)絡(luò)模型。

    具有雙向LSTM的遞歸神經(jīng)網(wǎng)絡(luò)的體系結(jié)構(gòu)

   神經(jīng)網(wǎng)絡(luò)分別分析每個單詞并考慮相鄰單詞。基于此，它將短語與意圖相關(guān)聯(lián)。該模型設(shè)法識別出用戶非常滿意的內(nèi)容。