新一代智能客服机器人解决方案

特征
复杂的图形都是由简单的结构组合而成的 这些简单的结构（比如说物体的边缘），就是一种特征 抽象的过程，就是在提取特征
底层的特征组合后产生了上一层的特征 逐层迭代
分层模型
每一层都是一系列的特征 输入的信息用这一层的特征变换了一个表达方式 这种表达进入下一层，就被下一层的特征来描述
深度学习
自主学习 发现特征 深度模型是手段，特征学习是目的
有成熟的、经过验证成功的学习方法 有累积超过10年的专业领域的学习教材 自研深度模型提供更深学习层次 Pipeline技术将深度学习与传统方法相结合 庞大的集群支撑计算开销
DL DNN NLP
检索
指令 匹配
基于关键词的匹配技术 仍然停留在词的层面，但有了一定的检索能力 支持多个关键词，可以模糊查询 比较死板，只适用于简单场景
图书馆 查询系统
游戏 精灵系统
书名
作者
图书馆 查询系统
出版社
摘要
关键词
职业
装备
游戏精灵 系统
任务
副本
活动
第二代问答机器人
场景简单 用户问法明确、稳定、没什么变化 用户明确应该怎样用什么词来检索
或者夹角
Word Embedding: 词→句→语义→意图 Sentence Embedding: 句→语义→意图
首层抽象特征的准确性，对整个模型的效果起着至关重要的作用
怎么学？
人类学习
学习方法
深度学习
深度模型、算法
学什么？
教材
训练的输入
学习成绩？
用工程度
Байду номын сангаас
特征层数
网易七鱼优势
熟悉客服业务，深刻理解客户服务场景
新一代智能客服机器人
为什么要机器人？
客服工作中遇到的80%问题 都是简单、重复、或无效的
机器人可以 大幅减少人力成本 有效改善客服工作状态
简单 重复
无效
80%
第一代问答机器人
简单到不像是问问题 被广泛应用 基于单个简单的词的完全匹配
回复x查询 余额
输入xxx获取 活动信息
咨询xxxx请 按1…
第二代问答机器人
1958年猫的试验 视觉系统的信息处理
像素 边缘 形状
物体
稀疏编码算法
1995年，通过计算机的方法研究视觉问题 Bruno Olshausen（布鲁诺·奥尔斯豪森） David Field（大卫·菲尔德）
提取图像碎片
稀疏编码算法
Bruno Olshausen & David Field 算法的结果 David Hubel & Torsten Wiesel 生物试验的结果 不谋而合！
进步 数量减少 维护问题比词容易 更接近人类真实的交流
第四代智能机器人
以神经网络为基础 依托最新的深度学习技术 结合模式识别等技术
与第三代相比 打破人工配置规则的束缚 具有自主学习的能力 更好的语义理解能力，处理更口语化、且多变的问法
视觉系统的信息处理
1981年诺贝尔医学奖 David Hubel（大卫·休伯尔） Torsten Wiesel（托斯坦·维厄瑟尔）
更深的层次 层次越多
学习能力越强 特征描述越准确
Word Embedding
一种描述词的特征的技术 用一个多维向量来描述一个词
每一个分量表示一个特征 分量的值表示特征的权重 通俗理解，词向量
将深度学习的技术应用在了刻画词的特征方面
Word Embedding
计算两个词的相似度 等价于计算n维空间中两个向量的欧氏距离
关键词列表 庞大 影响匹配结果 需要经验与技巧 增加了人力成本
第三代智能机器人
在关键词匹配的基础上，引入了自然语言处理（NLP）的技术 NLP意味着“智能” 不再基于词，可以处理句子
输入
清洗 预处理
NLP
分词 词性标注 识别关键词 文法、句法
权重 匹配
第三代智能机器人
支持问法上一定的变化，但语义判断能力有限 仍需维护问题库，弥补算法上的局限