人工智能的發(fā)展走過了從機器智能到感知智能的階段，正在邁向認知智能的階段。然而由于人類復雜的語言系統(tǒng)，一問一答形式的人機交互已經(jīng)滿足不了用戶的真實需求，機器必須學會處理人類復雜的語言。

隨著語音識別、NLP等技術(shù)的成熟，多輪對話交互系統(tǒng)將成為人機交互的重要紐帶和橋梁。

目前市場上人機對話交互主要分為三種類型：任務型、問答型、閑聊型。

任務型主要目的就是根據(jù)用戶描述的問題，收集必要的參數(shù)信息以完成用戶的任務；問答型主要通過模型的解析，匹配知識庫的答案并提供給用戶；閑聊型主要以調(diào)節(jié)情緒，在用戶當下的使用場景，以貼近用戶情感為目的，拉近用戶的距離。

人機對話交互中，機器處理自然語言時需要用到不同的語義表達形式來處理。主要有分布式語義、框架式語義、模型式語義。

01 分布式語義

可以簡單的理解為相似句模型解析。分布式語義需要標注大量的訓練數(shù)據(jù)，大量的知識點會形成一個向量空間。當用戶問題過來時，機器先將用戶的問句進行分詞，根據(jù)分詞結(jié)果匹配詞庫，也可以將語義理解成向量，機器根據(jù)空間向量分布判斷給出最優(yōu)解。

日常在進行模型調(diào)優(yōu)時，我們主要從數(shù)據(jù)和算法兩個方面進行調(diào)優(yōu)，再根據(jù)模型的正確率和召回率，找到最優(yōu)的f值，給定模型的閾值。

目前大量的機器學習都用的是分布式語義，依靠數(shù)據(jù)來處理語義間的關(guān)系，但分布語義理解比較淺，很難處理深層的語義。

02 框架式語義

現(xiàn)在市場上有很多的語音助手產(chǎn)品，通過獲取用戶問題中的關(guān)鍵參數(shù)，然后將參數(shù)填入?yún)f(xié)議中，完成用戶的任務操作。

例如“查一下7月1日上海到洛杉磯的航班”，這句話中我們需要獲取到用戶的四個信息槽位：

首先我們明確用戶的場景，用戶是想查飛機的航班信息，所以結(jié)果里肯定不能出現(xiàn)汽車、火車等場景；

“7月1日”對應的肯定是時間的參數(shù)time，所以查詢的結(jié)果里肯定是7月1日當天的一個航班信息；

用戶的出發(fā)地是上海，目的地是洛杉磯，分別對應參數(shù)里的origin、destination，所以這邊兩個參數(shù)不能顛倒，不然查詢的結(jié)果就不是用戶真實想要的信息了。

可以看到框架式語義最重要的就是要識別語義中的參數(shù)信息，缺一個都不能完成用戶的真實需求。所以在框架式語義中，框架識別和參數(shù)識別是非常重要的。

但用框架語義處理一些指代詞等高級的語言或需要結(jié)合上下文理解的時候，會因為缺少某一個槽位，而丟失用戶信息，所以現(xiàn)在很多框架語義配置時用了“平行槽位”。

首先明確在某一場景下，我們需要獲取哪些槽位信息，當配置了平行槽位后，用戶語義中缺少哪一個槽位信息，通過配置追問話術(shù)，將槽位信息補全，以完成用戶的最終目的。

03 規(guī)則式語義

規(guī)則式語義就是將用戶問句通過表達式的形式進行匹配，當滿足規(guī)則要求時，給出結(jié)果回復。

要讓用戶問句能通過規(guī)則匹配問題，首先要明確走規(guī)則匹配邏輯要優(yōu)先于相似句匹配。規(guī)則也需要獲取問句中的實體信息，滿足要求后，即可匹配上。

下面就舉一個例子：

我們看這條規(guī)則由 {} 。 & | ： # 等標點符號，也有字段等信息組成的一條規(guī)則?？催@規(guī)則會覺得比較亂，但細細分析，其實還是很簡單的一條規(guī)則。

首先明確這個規(guī)則的意圖，是一個打開動作，說明是一個指令。后面需要填寫的槽位信息就是A股、港股、美股的槽位信息、最后一個就是欄目。所以可以確定這條規(guī)則就是一個“打開某只股票的個股資料”。

因為每個標點代表的意思是不同的，這就不細細說明了。所以當用戶問句滿足這個規(guī)則要求，就滿足了這個規(guī)則對應的標準句，那用戶就能得到該標準句對應的答案了。

不同的語義處理形式邏輯都不同，但最終的目的還是為了能完成用戶下達的任務或操作。隨著分詞技術(shù)、實體抽取、NLU等技術(shù)的成熟，人機交互會更加和諧，處理效率會越來越高。

來源：搜狐