正文

chatbot經(jīng)驗(yàn)（chat bot）

發(fā)布時(shí)間：2023-03-13 03:24:43 稿源：創(chuàng)意嶺閱讀： 97 問(wèn)大家

大家好！今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于chatbot經(jīng)驗(yàn)的問(wèn)題，以下是小編對(duì)此問(wèn)題的歸納整理，讓我們一起來(lái)看看吧。

ChatGPT國(guó)內(nèi)免費(fèi)在線使用，能給你生成想要的原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

你只需要給出你的關(guān)鍵詞，它就能返回你想要的內(nèi)容，越精準(zhǔn)，寫(xiě)出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶(hù)端，官網(wǎng)：https://ai.de1919.com

本文目錄:

1、2021年前端前景怎么樣？
2、如何為python聊天機(jī)器人設(shè)計(jì)頁(yè)面
3、QA問(wèn)句解析的七種方法及優(yōu)化思路
4、博彥科技這家公司怎么樣呀？知道的人可以幫忙解答一下嗎？

chatbot經(jīng)驗(yàn)（chat bot）

一、2021年前端前景怎么樣？

隨著互聯(lián)網(wǎng)的高速發(fā)展，不知不覺(jué)中我們的生活也被互聯(lián)網(wǎng)從四面八方包圍，不論是網(wǎng)上點(diǎn)餐、網(wǎng)上購(gòu)物、網(wǎng)上購(gòu)票，還是網(wǎng)上學(xué)習(xí)，這都表明了現(xiàn)在就是互聯(lián)網(wǎng)的天下。

因此，不少人選擇學(xué)習(xí)web前端，但是擔(dān)心的問(wèn)題也來(lái)了，最近幾年web前端發(fā)展趨勢(shì)良好，但是明年是否也能保持很好？那么我們就來(lái)預(yù)測(cè)下2021年web前端的就業(yè)前景發(fā)展吧！

web前端人才需求還會(huì)持續(xù)增加

據(jù)國(guó)內(nèi)權(quán)威數(shù)據(jù)統(tǒng)計(jì)，未來(lái)五年，我國(guó)信息化人才總需求量高達(dá)1500萬(wàn)—2000萬(wàn)人。其中“網(wǎng)絡(luò)工程”“UI設(shè)計(jì)”“web前端”等人才的缺口最為突出，所以2021年web前端的市場(chǎng)需求還是很大的。

更有甚者，目前不僅大型互聯(lián)網(wǎng)公司擬相繼成立了專(zhuān)屬的web 前端部門(mén)，中小型公司和創(chuàng)業(yè)公司也急需專(zhuān)業(yè)的web前端工程師。

web前端薪酬工資仍會(huì)上漲

從這組小數(shù)據(jù)和趨勢(shì)圖可以看出，前端開(kāi)發(fā)行業(yè)薪資水平呈上漲趨勢(shì)，Web前端開(kāi)發(fā)早已不是做帶動(dòng)畫(huà)的下拉菜單的時(shí)代了，他們已成為互聯(lián)網(wǎng)主宰者，各行業(yè)都用其開(kāi)發(fā)互聯(lián)網(wǎng)應(yīng)用。

但目前整互聯(lián)網(wǎng)行業(yè)的Web前端開(kāi)發(fā)工程師緊俏，企業(yè)正高薪求才，薪資待遇一漲再漲！

web前端就業(yè)方向廣

web前端開(kāi)發(fā)在軟件開(kāi)發(fā)中，就業(yè)門(mén)檻比較低，是比較好就業(yè)的，薪資待遇平均超過(guò)13k。在目前互聯(lián)網(wǎng)時(shí)代，只要公司有需要開(kāi)發(fā)互聯(lián)網(wǎng)產(chǎn)品，包括網(wǎng)站，網(wǎng)頁(yè)，H5，小程序，APP等等，就需要前端開(kāi)發(fā)工程師崗位，具體的就業(yè)方向還可以按公司的技術(shù)需求來(lái)區(qū)分，側(cè)重點(diǎn)各有不同，就業(yè)行業(yè)隨著互聯(lián)網(wǎng)的發(fā)展，已經(jīng)變得越來(lái)越廣泛了。

我們是一個(gè)專(zhuān)門(mén)做IT培訓(xùn)機(jī)構(gòu)尚學(xué)堂，學(xué)習(xí)交流和資料分享都可以聯(lián)系我們，我們隨時(shí)等著你~~~~~~

web前端未來(lái)發(fā)展前途大好

隨著5G時(shí)代的到來(lái)，之后在移動(dòng)互聯(lián)網(wǎng)領(lǐng)域?qū)?huì)出現(xiàn)新的開(kāi)發(fā)場(chǎng)景，包括自動(dòng)駕駛、車(chē)聯(lián)網(wǎng)、物聯(lián)網(wǎng)、人工智能、智能家居還有可穿戴設(shè)備等領(lǐng)域?qū)?lái)大量的前端開(kāi)發(fā)需求。有需求就會(huì)有市場(chǎng)，所以2021年web前端還是會(huì)一如既往地“紅”下去。

二、如何為python聊天機(jī)器人設(shè)計(jì)頁(yè)面

為 Python 聊天機(jī)器人設(shè)計(jì)頁(yè)面的方式有很多，下面提供一種基本的方式，你可以根據(jù)自己的需求和技術(shù)水平進(jìn)行適當(dāng)?shù)母暮驼{(diào)整：

1. 選擇一個(gè) Web 框架：常用的 Web 框架有 Flask 和 Django，它們都提供了強(qiáng)大的 Web 開(kāi)發(fā)功能和模板引擎，使得頁(yè)面設(shè)計(jì)和開(kāi)發(fā)更加高效。選擇一個(gè)最適合你的框架并進(jìn)行安裝和設(shè)置。

2. 設(shè)計(jì)頁(yè)面布局和樣式：可以使用 HTML 和 CSS 實(shí)現(xiàn)頁(yè)面布局和樣式設(shè)計(jì)，也可以選擇開(kāi)源的 CSS 框架，如 Bootstrap、Materialize 等，它們提供了更加美觀和易用的頁(yè)面組件和樣式。

3. 與 Python 后端進(jìn)行通信：可以使用 AJAX 或 WebSocket 等技術(shù)與 Python 后端進(jìn)行通信，發(fā)送消息和接收響應(yīng)，實(shí)現(xiàn)聊天機(jī)器人的交互和功能。

4. 集成聊天機(jī)器人 API：可以選擇開(kāi)源的聊天機(jī)器人 API，如 ChatterBot、Dialogflow 等，在 Python 后端中調(diào)用這些 API 實(shí)現(xiàn)聊天機(jī)器人的自然語(yǔ)言處理和對(duì)話管理。同時(shí)，也可以使用自己的聊天機(jī)器人模型和算法進(jìn)行集成和進(jìn)一步優(yōu)化。

5. 測(cè)試和部署：在完成頁(yè)面設(shè)計(jì)和集成聊天機(jī)器人 API 后，進(jìn)行測(cè)試和部署，確保其正常工作和高可用性。部署方案可以選擇云服務(wù)平臺(tái)，如 AWS、Azure、Google Cloud 等，或使用自己的服務(wù)器進(jìn)行部署。

總之，為 Python 聊天機(jī)器人設(shè)計(jì)頁(yè)面需要進(jìn)行多方面的工作，包括前端頁(yè)面設(shè)計(jì)、后端 API 集成、測(cè)試和部署等。需要具備一定的 Web 開(kāi)發(fā)和 Python 編程經(jīng)驗(yàn)，同時(shí)也需要了解聊天機(jī)器人相關(guān)的自然語(yǔ)言處理和對(duì)話管理技術(shù)。

三、QA問(wèn)句解析的七種方法及優(yōu)化思路

在《淺談智能搜索和對(duì)話式OS》中，提到過(guò)，人機(jī)對(duì)話系統(tǒng)的常見(jiàn)場(chǎng)景有三種，分別為： 閑聊型（Chatbot） 、 問(wèn)答型（QA） 、 任務(wù)型（VPA） 。本篇文章所關(guān)注的解析方式主要適用于QA系統(tǒng)中的封閉域問(wèn)答，也即： 將用戶(hù)問(wèn)句解析為庫(kù)中存在的標(biāo)準(zhǔn)問(wèn)句 。

這里講的七種方法均為我個(gè)人閱讀文獻(xiàn)后歸納整理而來(lái)，并不都是成熟穩(wěn)定可以商業(yè)化的做法，目的只是提出思路以作參考。

基于規(guī)則的方法通常在缺乏訓(xùn)練數(shù)據(jù)的情況下采用，由于與后面的基于統(tǒng)計(jì)的方法區(qū)別較大，所以記為第零種方法。

基于規(guī)則的解析系統(tǒng)通常由兩部分構(gòu)成：一個(gè)是『規(guī)則庫(kù)』，解析規(guī)則通常為 CFG 上下文無(wú)關(guān)文法；另一個(gè)是『同義詞庫(kù)』，記錄了一些標(biāo)準(zhǔn)詞的常見(jiàn)同義詞。

整個(gè)解析就是一個(gè)上下文無(wú)關(guān)文法歸約的過(guò)程。首先進(jìn)行自動(dòng)分詞，接著將用戶(hù)問(wèn)句中的詞依照『同義詞庫(kù)』歸約為標(biāo)準(zhǔn)詞，然后再將詞歸約后的問(wèn)句與『規(guī)則庫(kù)』中的解析規(guī)則比對(duì)，一旦比對(duì)成功，即該條用戶(hù)問(wèn)句被成功歸約到該條解析規(guī)則所對(duì)應(yīng)的標(biāo)準(zhǔn)問(wèn)句上。

舉個(gè)例子，同義詞庫(kù)中有這樣兩條記錄：『失敗：不上去、不進(jìn)去、不成功、錯(cuò)誤』『登錄：登陸、登錄』，規(guī)則庫(kù)中有這樣一條規(guī)則：『賬號(hào)登錄失?。篬賬號(hào)][登錄](méi)[失敗]』。

有一條用戶(hù)問(wèn)句是這樣的『我賬號(hào)怎么登陸不上去了』。首先假定分詞正確，分詞結(jié)果為『我|賬號(hào)|怎么|登陸|不上去|了』；之后進(jìn)行詞歸約，歸約結(jié)果為『我賬號(hào)怎么登錄失敗了』；接著與規(guī)則『賬號(hào)登錄失敗：[賬號(hào)][登錄](méi)[失敗]』比對(duì)，發(fā)現(xiàn)比對(duì)成功。該條用戶(hù)問(wèn)句被成功歸約為標(biāo)準(zhǔn)問(wèn)句『賬號(hào)登錄失敗』，我們將系統(tǒng)中『賬號(hào)登錄失敗』所對(duì)應(yīng)的標(biāo)準(zhǔn)答案提供給用戶(hù)，完成交互流程。

這樣做在一定程度上能夠解決問(wèn)題，但缺點(diǎn)也特別嚴(yán)重。首先『規(guī)則庫(kù)』與『同義詞庫(kù)』需要人工構(gòu)建，這需要巨大且長(zhǎng)期的人力資源投入。因?yàn)檎Z(yǔ)言的表達(dá)方式理論上是無(wú)限的，而能想到的規(guī)則和同義詞總是有限的；且隨著語(yǔ)言的發(fā)展，或是業(yè)務(wù)的變動(dòng)，整個(gè)規(guī)則庫(kù)和同義詞庫(kù)的維護(hù)也需要持續(xù)的人力資源投入。

其次，編寫(xiě)規(guī)則庫(kù)需要豐富的經(jīng)驗(yàn)，對(duì)于人員素質(zhì)的要求極高。因?yàn)榻馕鲆?guī)則的抽象程度相當(dāng)高，在這樣高的抽象程度上，即便編寫(xiě)者具有較豐富的經(jīng)驗(yàn)（如果沒(méi)經(jīng)驗(yàn)會(huì)更糟），不同解析規(guī)則之間的沖突也是不可避免的，也即同一條用戶(hù)問(wèn)句會(huì)與多條標(biāo)準(zhǔn)問(wèn)句的解析規(guī)則比對(duì)成功，這種情況下的標(biāo)準(zhǔn)問(wèn)句選擇/評(píng)分問(wèn)題，又需要另一套系統(tǒng)來(lái)解決。

換個(gè)角度，我們可以將依照用戶(hù)問(wèn)句找到標(biāo)準(zhǔn)問(wèn)句的過(guò)程看做是輸入 Query 得到 Document 的搜索過(guò)程。

我們可以嘗試采用傳統(tǒng)搜索引擎中使用的檢索模型來(lái)進(jìn)行用戶(hù)問(wèn)句解析。《淺談搜索引擎基礎(chǔ)（上）》中提到，BM25 是目前效果最好的檢索模型，我們就以 BM25 模型為例來(lái)分析。

BM25 模型的計(jì)算公式如下：

BM25 模型計(jì)算公式融合了 4 個(gè)考慮因素： IDF 因子 、 文檔詞頻 、 文檔長(zhǎng)度因子 和 查詢(xún)?cè)~頻 ，并利用 3 個(gè)自由調(diào)節(jié)因子（k1、k2 和 b）對(duì)各種因子的權(quán)值進(jìn)行調(diào)整組合。

其中，N 代表文檔總數(shù)，n 代表出現(xiàn)對(duì)應(yīng)單詞的文檔個(gè)數(shù)，f 指文檔中出現(xiàn)對(duì)應(yīng)單詞的詞頻，qf 是查詢(xún)語(yǔ)句中對(duì)應(yīng)單詞的詞頻，dl 是文檔長(zhǎng)度。

利用 BM25 模型可以有三種思路，分別把標(biāo)準(zhǔn)問(wèn)句、標(biāo)準(zhǔn)問(wèn)句及標(biāo)準(zhǔn)答案、歷史中曾經(jīng)正確匹配過(guò)該標(biāo)準(zhǔn)問(wèn)句的用戶(hù)問(wèn)句集作為 Document，利用公式計(jì)算其與用戶(hù)問(wèn)句的相似度，然后利用相似度進(jìn)行排序，取出評(píng)分最高的標(biāo)準(zhǔn)問(wèn)句作為解析結(jié)果。

對(duì)于這個(gè)思路我沒(méi)有做過(guò)實(shí)驗(yàn)，不過(guò)我推測(cè)，這種方法雖然節(jié)省了大量的人力，但在這種封閉域的 QA 系統(tǒng)中，其表現(xiàn)應(yīng)當(dāng)是不如上一種基于規(guī)則的方法，基于檢索模型的方法在開(kāi)放域中的表現(xiàn)會(huì)更好。

此外，基于傳統(tǒng)檢索模型的方法會(huì)存在一個(gè)固有缺陷，就是檢索模型只能處理 Query 與 Document 有重合詞的情況，傳統(tǒng)檢索模型無(wú)法處理詞語(yǔ)的語(yǔ)義相關(guān)性。在上一種方法中，通過(guò)人工搭建的同義詞庫(kù)，一定程度上解決了語(yǔ)義相關(guān)性的問(wèn)題。

上文提到，完全基于檢索模型的方法無(wú)法處理詞語(yǔ)的語(yǔ)義相關(guān)性。

為了在一定程度上解決這個(gè)問(wèn)題，我們可以利用 LDA/SMT 等方法通過(guò)語(yǔ)料挖掘詞之間的同義關(guān)系，為每個(gè)詞自動(dòng)構(gòu)建一個(gè)同義度高于閾值且大小合適的同義詞表。在代入檢索模型公式進(jìn)行計(jì)算的過(guò)程中，若文檔中發(fā)現(xiàn)所查找關(guān)鍵詞的同義詞，可以依據(jù)同義程度乘以一定權(quán)重后納入到關(guān)鍵詞的詞頻計(jì)算之中。

《淺談智能搜索和對(duì)話式OS》中有對(duì) LDA/SMT 的介紹。

簡(jiǎn)單的說(shuō)，LDA 可以合理的將單詞歸類(lèi)到不同的隱含主題之中；并且通過(guò)計(jì)算兩篇文章主題向量 θ 的 KL 散度（相對(duì)熵），可以得到兩篇文章的相似性。SMT 模型出自微軟之手，目的即是將翻譯模型引入傳統(tǒng)檢索模型，提高檢索模型對(duì)語(yǔ)義相關(guān)詞對(duì)的處理能力，該模型也曾被百度采用過(guò)以提高搜索引擎返回結(jié)果的質(zhì)量。

word embedding 將詞表示為 Distributed Representation，也即低維向量空間中的一個(gè)詞向量，Distributed Representation 下的詞可以利用余弦距離來(lái)計(jì)算詞之間語(yǔ)義的相關(guān)關(guān)系。與 one-hot Representation 相對(duì)應(yīng)，one-hot Representation 下的詞向量的維數(shù)與單詞表的維數(shù)相同，不同詞的詞向量之間均正交。傳統(tǒng)的詞集模型（SOW）和詞袋模型（BOW）采用的即是 one-hot Representation。

我們可以采用深度學(xué)習(xí)的方法來(lái)得到詞 Distributed Representation 的詞向量。比如訓(xùn)練一個(gè)普通的神經(jīng)概率語(yǔ)言模型，就可以得到詞的詞向量，或者參考 word2vec 中的方式，訓(xùn)練 CBOW 或者 Skip-gram 模型。神經(jīng)概率語(yǔ)言模型、CBOW 以及 Skip-gram 的介紹在《淺談智能搜索和對(duì)話式OS》均有提及。

借助百度這張圖來(lái)講，利用 DNN 建模的思路如下：

我們需要使用一批 用戶(hù)問(wèn)句-標(biāo)準(zhǔn)問(wèn)句對(duì) 的正例和反例作為訓(xùn)練語(yǔ)料，借助上面的方式，同時(shí)將正例和反例進(jìn)行 word embedding 后送入 DNN 中，并采用 Pairwise ranking loss 的方式來(lái)建模正例和反例之間的語(yǔ)義差別。

上一種基于 DNN 的方法，在一定程度上已經(jīng)可以解決詞的語(yǔ)義相關(guān)性的問(wèn)題，但對(duì)句子中的短距離依賴(lài)關(guān)系并沒(méi)有做恰當(dāng)?shù)奶幚?，比如無(wú)法區(qū)分『甲到乙』和『乙到甲』。

根據(jù)百度的評(píng)測(cè)結(jié)果，CNN 在處理短距離依賴(lài)關(guān)系上擁有更好的表現(xiàn)。

該圖出自李航博士 Convolutional Neural Network Architectures for Matching Natural Language Sentences 中的 ARC-1：

其做法的基本思路是：將問(wèn)句中的每個(gè)詞，都做 word embedding，得到每個(gè)詞所對(duì)應(yīng)的固定長(zhǎng)度的詞向量，我們將問(wèn)句表示成一個(gè)二維矩陣，每一行代表問(wèn)句中相應(yīng)詞所對(duì)應(yīng)的詞向量。將這個(gè)二維矩陣進(jìn)行多次卷積池化（卷積核的寬度與詞向量維數(shù)相同，高度多為 2-5），最后得到一個(gè)一維特征向量，我們用 CNN 同時(shí)處理用戶(hù)問(wèn)句和標(biāo)準(zhǔn)問(wèn)句，得到用戶(hù)問(wèn)句和庫(kù)中標(biāo)準(zhǔn)問(wèn)句所對(duì)應(yīng)的特征向量。之后將這兩個(gè)向量拼接起來(lái)送入多層感知機(jī)，由它來(lái)計(jì)算兩個(gè)問(wèn)句之間的匹配程度。

另外，有人指出，直接將兩個(gè)特征向量拼接起來(lái)送入 MLP 會(huì)丟失邊界信息，所以我們同時(shí)將特征向量 a、特征向量 b 和 aTb 同時(shí)送入 MLP 來(lái)計(jì)算相似度。

ARC-2 結(jié)構(gòu)同樣出自李航博士的上述論文：

ARC-2 相較于 ARC-1 的改進(jìn)在于，ARC-2 嘗試讓兩個(gè)句子在得到像 ARC-1 結(jié)果那樣的高層抽象表示之前就進(jìn)行相互作用，不再先分別通過(guò) CNN 結(jié)構(gòu)得到各自高層抽象表示。

在 ARC-1 模型中，一張 feature map 僅僅是一個(gè)列向量，或者說(shuō)是一個(gè)一維矩陣，若干個(gè)列向量并在一起形成了 ARC-1 示意圖中的模樣（二維），而在 ARC-2 中，一張 feature map 成為了一個(gè)二維矩陣，若干個(gè)二維矩陣疊在一起形成了 ARC-2 示意圖中的模樣（三維）。

再之后的卷積、池化過(guò)程就與 CV 中 CNN 的卷積、池化過(guò)程類(lèi)似了。與上一種方法類(lèi)似的，在進(jìn)行 1D convolution 時(shí)，涉及到兩個(gè)詞向量的連接，同樣可以采用之前提到的做法來(lái)避免邊界信息的丟失。

同樣有人提出，在 ARC-2 結(jié)構(gòu)中，直接采用傳統(tǒng)的 word embedding 方法得到的詞向量組成句子作為輸入并不是最佳方案，最佳方案是采用已經(jīng)過(guò)了 LSTM 的 hidden state。

我們可以采用 LSTM 結(jié)構(gòu)訓(xùn)練一個(gè) RNN 語(yǔ)言模型，如下圖（以普通 RNN 為例）：

從圖中可以發(fā)現(xiàn)，當(dāng)輸出為『e』時(shí)，hidden layer 向量中第三分量最大，而輸出為『l』時(shí)，第一分量最大，輸出『o』時(shí)，第二分量最大。我們可以將 RNN 的 hidden state 當(dāng)做 Distributed Representation 的詞向量來(lái)使用，將其作為 CNN（ARC-2）的輸入，經(jīng)測(cè)試可以得到更好的結(jié)果。

一個(gè)可信度高的分詞結(jié)果是進(jìn)行后續(xù)解析步驟的基本前提。

在《淺談自然語(yǔ)言處理基礎(chǔ)（中）》中，我介紹了一些經(jīng)典的分詞方法，不過(guò)都是些較早的研究成果。CRF方法是目前公認(rèn)的效果最好的分詞算法。

CRF 方法的思想非常直接，就是將分詞問(wèn)題看作一個(gè)序列標(biāo)注問(wèn)題，為句子中的每個(gè)字標(biāo)注詞位：

CRF 分詞的過(guò)程就是對(duì)詞位標(biāo)注后，將 B 和 E 之間的字，以及 S 單字構(gòu)成分詞。網(wǎng)上有很多公開(kāi)的基于 CRF 的分詞工具。

至少存在四個(gè)角度可以在已有模型的基礎(chǔ)上進(jìn)一步提高解析質(zhì)量，包括：?jiǎn)柧錃w一化、用戶(hù)狀態(tài)、強(qiáng)化學(xué)習(xí)、多輪對(duì)話。

問(wèn)句歸一化的目的是對(duì)用戶(hù)的輸入具有較好的容錯(cuò)性。

簡(jiǎn)單的一些比如：簡(jiǎn)繁體歸一化、全角半角歸一化、標(biāo)點(diǎn)符號(hào)處理和大小寫(xiě)歸一化。復(fù)雜一些的比如漢語(yǔ)錯(cuò)別字的糾正。錯(cuò)別字自動(dòng)糾正技術(shù)的應(yīng)用非常廣泛，而且在提高系統(tǒng)用戶(hù)體驗(yàn)上能夠發(fā)揮很大的作用，可以說(shuō)性?xún)r(jià)比極高。

錯(cuò)別字糾正通常的做法是訓(xùn)練噪聲信道模型。

我們可以對(duì)用戶(hù)狀態(tài)提取特征，在訓(xùn)練和解析時(shí)將其作為附加信息一并作為神經(jīng)網(wǎng)絡(luò)的輸入。

可以被考慮的用戶(hù)狀態(tài)至少包含：

其次可以采用強(qiáng)化學(xué)習(xí)的方法，通過(guò)設(shè)計(jì)合理的獎(jiǎng)賞機(jī)制，讓解析系統(tǒng)在與環(huán)境互動(dòng)的過(guò)程中自主進(jìn)行策略更新。

強(qiáng)化學(xué)習(xí)與普通的監(jiān)督學(xué)習(xí)方法相比存在兩個(gè)明顯的優(yōu)點(diǎn)：一個(gè)是強(qiáng)化學(xué)習(xí)策略更新所需要的數(shù)據(jù)主要來(lái)源于與環(huán)境的交互/采樣，而不是昂貴的人工標(biāo)記數(shù)據(jù)；另一個(gè)是強(qiáng)化學(xué)習(xí)所產(chǎn)生的策略是根據(jù)獎(jiǎng)賞機(jī)制自主迭代更新的，會(huì)有一些創(chuàng)新的做法，而不僅僅是模仿人類(lèi)提供的『標(biāo)準(zhǔn)』做法。

QA 問(wèn)句解析中雖然不像游戲一樣擁有『策略創(chuàng)新玩法』這樣的概念，但仍然可以在解析優(yōu)化中幫助大量節(jié)省數(shù)據(jù)的人工標(biāo)記開(kāi)銷(xiāo)。

應(yīng)用強(qiáng)化學(xué)習(xí)方法的核心問(wèn)題之一就是獎(jiǎng)賞機(jī)制的設(shè)計(jì)，在 QA 的場(chǎng)景下設(shè)計(jì)獎(jiǎng)賞機(jī)制，至少可以考慮以下幾個(gè)角度：

多輪對(duì)話技術(shù)可以進(jìn)一步提高與用戶(hù)對(duì)話的連貫性。

我傾向于將多輪對(duì)話劃分為『封閉域』和『開(kāi)放域』兩個(gè)場(chǎng)景，不同場(chǎng)景的實(shí)現(xiàn)思路也應(yīng)該不同。

封閉域場(chǎng)景多輪對(duì)話的特點(diǎn)是：系統(tǒng)能解決的問(wèn)題是一個(gè)有限集，多輪對(duì)話的目的是將用戶(hù)引導(dǎo)到我們可以解決的問(wèn)題上。

而開(kāi)放域場(chǎng)景多輪對(duì)話的特點(diǎn)是：系統(tǒng)需要解決的問(wèn)題是一個(gè)無(wú)限集，多輪對(duì)話的目的是依照上下文更準(zhǔn)確的理解用戶(hù)的需求。

在這樣的指導(dǎo)思想下，封閉域多輪對(duì)話的核心思路應(yīng)該是『填槽』，而開(kāi)放域多輪對(duì)話的核心思路是『上下文替換』和『主體補(bǔ)全』。

《淺談智能搜索和對(duì)話式OS》中介紹了百度利用 slot filling 技術(shù)來(lái)做 NLU，并利用『上下文替換』和『主體補(bǔ)全』來(lái)提高其 DuerOS 的對(duì)話能力的。

而更進(jìn)一步的，填槽、上下文替換和主體補(bǔ)全的技術(shù)基礎(chǔ)都是『序列標(biāo)注』，這里給出百度的兩張 PPT：

根據(jù)百度的 PPT，采用雙向 LSTM + CRF 做序列標(biāo)注，是一個(gè)商業(yè)上可行的方法。

選擇合適的人工接入時(shí)機(jī)同樣是提高 QA 系統(tǒng)整體表現(xiàn)的方法之一，其核心問(wèn)題在于平衡用戶(hù)體驗(yàn)與投入成本。人工接入的越早，用戶(hù)體驗(yàn)越好，但成本也越高。

這里簡(jiǎn)單提供螞蟻金服小螞答的做法：若系統(tǒng)連續(xù)提供給用戶(hù)三次相同的回答，顯示人工接入按鈕；若用戶(hù)連續(xù)詢(xún)問(wèn)兩次客服類(lèi)問(wèn)題（比如『我要人工』、『你們客服電話多少』），顯示人工接入按鈕。

QA 系統(tǒng)的另一個(gè)重要組成部分是答案庫(kù)。

答案錄入的優(yōu)化至少可以從三個(gè)角度來(lái)思考：

答案形式的多樣性非常容易理解，比如小螞答就支持包括文本、鏈接、圖片、視頻在內(nèi)的多種答案形式。

個(gè)性化問(wèn)題在上文解析優(yōu)化中已有涉及（考慮用戶(hù)狀態(tài)的解析優(yōu)化），上文的分析思路同樣可以應(yīng)用于答案錄入，我們可以對(duì)不同注冊(cè)時(shí)長(zhǎng)、付費(fèi)金額不同、進(jìn)入路徑不同等等的用戶(hù)提供不同的個(gè)性化答案。

答案對(duì)用戶(hù)的幫助看起來(lái)比較抽象，但也很容易理解。通俗的，我個(gè)人以『地圖級(jí)』、『導(dǎo)航級(jí)』、『專(zhuān)車(chē)級(jí)』來(lái)為 QA 系統(tǒng)的答案進(jìn)行分級(jí)：

依照文章最初的人機(jī)對(duì)話系統(tǒng)場(chǎng)景分類(lèi)，提供『專(zhuān)車(chē)級(jí)』答案的 QA 系統(tǒng)，可以被稱(chēng)為 VPA 了。

對(duì)于答案庫(kù)的優(yōu)化，在答案完備錄入（答案形式足夠豐富、針對(duì)不同用戶(hù)提供個(gè)性化的回答）的前提下，至少存在兩個(gè)優(yōu)化點(diǎn)：

上文解析優(yōu)化中強(qiáng)化學(xué)習(xí)方法獎(jiǎng)賞機(jī)制的設(shè)計(jì)思路也可以被用來(lái)發(fā)現(xiàn)答案庫(kù)中存在的問(wèn)題，因?yàn)榇蠖鄶?shù)時(shí)候我們還很難明確的區(qū)分用戶(hù)的負(fù)面反饋是針對(duì)解析系統(tǒng)還是答案本身。

除了從用戶(hù)負(fù)面反饋中發(fā)現(xiàn)問(wèn)題，針對(duì)上面的兩個(gè)優(yōu)化點(diǎn)，我們還應(yīng)該有一些預(yù)防機(jī)制來(lái)提前避免這些問(wèn)題的發(fā)生。

比如第一點(diǎn)『答案庫(kù)中標(biāo)準(zhǔn)答案存在錯(cuò)誤』，如果不是錄入人員的素質(zhì)問(wèn)題，最大的可能性就來(lái)源于答案的時(shí)效性，也即我們提供給了用戶(hù)過(guò)期的答案。針對(duì)這個(gè)問(wèn)題，我們可以在錄入答案時(shí)特別添加『臨時(shí)』標(biāo)簽，以標(biāo)明該答案具有較強(qiáng)的時(shí)效性，需要及時(shí)更新。

而針對(duì)第二點(diǎn)『答案庫(kù)中缺失某些問(wèn)題的答案』，最大的可能性來(lái)源于突發(fā)事件以及業(yè)務(wù)的變動(dòng)。比如系統(tǒng)服務(wù)宕機(jī)、系統(tǒng)上了新版本或者組織了一些運(yùn)營(yíng)活動(dòng)，我們都應(yīng)該針對(duì)這些可能引發(fā)用戶(hù)疑惑的變動(dòng)，提前準(zhǔn)備一些 FAQ 并錄入到答案庫(kù)之中。

此外，當(dāng)我們錄入新問(wèn)題及其標(biāo)準(zhǔn)答案的時(shí)候，需要注意新錄入問(wèn)題與原解析系統(tǒng)的適配性，以避免出現(xiàn)新錄入的問(wèn)題較難被解析系統(tǒng)解析到的情況。可采用的方法比如在錄入新問(wèn)題的同時(shí)，主動(dòng)錄入一些不同的問(wèn)法作為初始訓(xùn)練語(yǔ)料（網(wǎng)易七魚(yú)云客服的做法）。

四、博彥科技這家公司怎么樣呀？知道的人可以幫忙解答一下嗎？

我之前待過(guò)一段時(shí)間，博彥是做大數(shù)據(jù)解決方案的，他有好多的分公司，業(yè)務(wù)涵蓋金融、IT、還有大數(shù)據(jù)等等。工資的話也要比其他的公司高一點(diǎn)點(diǎn)，壓力也沒(méi)有很大，很不錯(cuò)的一家公司。。有不明白的可以再問(wèn)我

以上就是關(guān)于chatbot經(jīng)驗(yàn)相關(guān)問(wèn)題的回答。希望能幫到你，如有更多相關(guān)問(wèn)題，您也可以聯(lián)系我們的客服進(jìn)行咨詢(xún)，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。