江苏龙网

  1. 主页 > 生活百科 > >

智能客服发展趋势是怎样的，其市场前景分析( 二 )


(2)基于时隙填充的多轮对话系统
基于slots构建对话系统是一个相对专业和复杂的过程 ， 通常分为三个主要阶段 。首先是需求分析 ， 然后是平台搭建BOT ， 最后是持续优化 。
为了理解这个系统 ， 让我们熟悉几个名词的定义:
1)意图
意图是指用户在语音交互中做出的主要请求或动作 。
意图示例:
肯定意图：是；对的；正确；Ok； 否定意图：不是；不对；错了；NO； 取消意图：退出；停止；关闭；结束；2)技能
技能是满足用户特定需求的应用 。比如当用户说“我洗发水的快递在哪里？” ， 他们将进入快速查询技能 。
3)问答技巧
通过Q(用户的提问方式)和A(机器人的回答方式)的配置 ， 可以实现用户与机器人之间的简单对话 。
任务型技能:在问答型技能的基础上 ， 增加了slot、API(接口)调用等高级功能 ， 可配置实现用户的信息查询、问题搜索或其他功能 。
字典
可能改变的关键字的内容 ， 例如时间字典和位置字典 。
语义槽:语义槽是用户语句中包含的关键词 ， 可以帮助系统准确识别意图 。例如 ， 星座语义槽包含12个星座的名称 。语义槽和字典通常同时使用 ， 语义槽通常用来指代字典 。一个语义槽可以同时绑定多个字典 ， 一个字典也可以关联不同的语义槽 。
5)后续行动
当用户的查询方法中没有提供语义槽值时 ， 机器人会自动查询 。
比如用户问:天气怎么样？我们无法获取天气位置的语义槽值 ， 所以需要机器人来问 ， 你想从哪里获取天气信息？提问词一般设置在多篇文章中 ， 随机提问 。
在国内开放的bot体系中 ， 百度单元与微信的开放对话平台是应用的技术框架 。
在自然语言对话系统中 ， 理解的核心任务是意图分析和词槽识别 。
比如订一张明天早上8点从北京到石家庄的火车票 。在这个例子中 ， 对于用户表达的一个句子 ， 其意图是订火车票 ， 其中涉及的词槽包括始发地、目的地和时间 。此时有多趟车次时 ， 需要问用户订哪趟 。
以百度单位平台为例 ， 搭建一个买票智能回复的流程 。
需求分析：订火车票需要知道时间、出发地、目的地 新建一个BOT ， 命名为：火车票 新建对话意图：命名订票 添加词槽：出发时间、选择系统词槽词典 ， 选择然后选择系统词典 sys_time(时间) ， 出发地词槽、目的地词槽 ， 这两个都可以选择系统词典 ， 这些都是必填项 。设置词槽与意图关联属性 ， 这里火车票的出发时间是订票里必须的关键信息 ， 所以选择必填 。澄清话术就是当用户表达订票需求的语句里缺少出发时间时 bot 主动让用户澄清的话术 。还可以设置让用户澄清多少轮后放弃要求澄清 ， 默认是 3 次 。设置 BOT 回应 ， BOT 回应就是当 BOT 识别出用户的意图和所有必填词槽值时给用户的反馈 。对于订票回复一般对接API接口 ， 实现自动生成方式 。当然 ， 这只是火车票里的一个场景 ， 里面有退票、改签、查询等功能 。这些都是在需求梳理中需要确定的 。
3. 如何评判一个智能客服系统的好坏 (1)基于人工标记的评估
基于问答知识库的系统的回答能力受限于知识库的丰富程度 ， 也就是说知识库对用户问题的覆盖度 ， 覆盖度越高 ， 准确率越高 。
所以不可能回答用户所有的问题 ， 系统最好的状态就是能回答的都是准确的 ， 不能回答的都是拒绝的 ， 也就是拒绝回答 。
所以这里的评价指标包括问题解决率、拒绝率、召回率、准确率等 。我们的目标是让系统的达成率无限接近数据的真实达成率 ， 召回率和准确率尽可能的高 。
召回率 = 机器人能回答的问题数 / 问题总数 准确率 = 机器人正确回答的问题数 / 问题总数 问题解决率 = 机器人成功解决的问题数 / 问题总数 拒识率=机器人未回答问题数/用户问题数从每日总数据集中抽取一个小数据集 ， 保证小数据集的数据分布尽可能与总数据集匹配 。然后 ， 标注团队对数据集进行标注 ， 标注每个问题的实际答案 。一般在标注完成后会有一个质检步骤 ， 以保证标注结果尽可能准确 ， 从而生成一个标准的日常数据评估集 。


推荐阅读


上一篇：武汉网站推广公司排名介绍，网站数据准确分析

下一篇：辅警|辅警招聘门槛有变化，满足条件可以转为事业编，工资待遇也有提升