阿里智能對(duì)話交互實(shí)踐及范式思考 - 全文

縱觀傳統(tǒng)互聯(lián)網(wǎng)時(shí)代，如果用一個(gè)詞來(lái)總結(jié)和概括的話，“連接”這詞再合適不過(guò)了，傳統(tǒng)互聯(lián)網(wǎng)時(shí)代主要建立了三種連接：第一，人和信息的連接；第二，人和人的連接；第三，人與商品服務(wù)的連接。第一種連接成就了Google和百度這樣的互聯(lián)網(wǎng)巨頭；人和人的連接成就了Facebook和騰訊這樣的互聯(lián)網(wǎng)公司，人和商品服務(wù)的連接，成就了Amazon、阿里巴巴、京東這樣的巨頭。從這個(gè)意義上看，傳統(tǒng)互聯(lián)網(wǎng)最典型的特征就是連接。

過(guò)去3-4年，我們可以看到，互聯(lián)網(wǎng)其實(shí)發(fā)生很大變化，交互的設(shè)備已經(jīng)從PC和智能手機(jī)延伸到更廣泛的智能設(shè)備。智能設(shè)備的快速發(fā)展正在改變著人類(lèi)和設(shè)備的交互方式。不難看出，無(wú)論是智能設(shè)備的發(fā)展和普及，還是用戶的接受度都在快速增長(zhǎng)，都促使人和設(shè)備之間交互方式的巨大改變，我們已經(jīng)進(jìn)入“交互時(shí)代“。

正在發(fā)生的變化

那么，交互時(shí)代，人和設(shè)備究竟如何通過(guò)自然語(yǔ)言對(duì)話展開(kāi)對(duì)話交互的呢？首先，對(duì)話交互的特點(diǎn)，我認(rèn)為主要有以下四點(diǎn)：

1、人和智能設(shè)備的交互一定是自然語(yǔ)言。因?yàn)閷?duì)于人來(lái)說(shuō)，自然語(yǔ)言是最自然的方式，也是門(mén)檻最低的方式。

2、人和設(shè)備的對(duì)話交互應(yīng)該是雙向的。

3、人和設(shè)備的對(duì)話交互是多輪的。為了完成一個(gè)任務(wù)，比如定機(jī)票，這里會(huì)涉及多輪交互。

4、上下文的理解。這是對(duì)話交互和傳統(tǒng)的搜索引擎最大的不同之處，傳統(tǒng)搜索是關(guān)鍵詞，前后的關(guān)鍵詞是沒(méi)有任何關(guān)系的。對(duì)話交互實(shí)際上是要考慮到上下文，在當(dāng)前的上下文理解這句話什么意思。

從連接到對(duì)話交互，一個(gè)本質(zhì)的改變是什么？舉個(gè)例子，比如淘寶網(wǎng)首頁(yè)，拋開(kāi)內(nèi)容，其本質(zhì)就是鏈接和按鈕。對(duì)于用戶來(lái)說(shuō)，無(wú)論是點(diǎn)擊鏈接還是按鈕，他的行為完全是由產(chǎn)品經(jīng)理定義好的和是完全確定的，所以它是一種受控、受限的行為，這種方式并不能確保好的用戶體驗(yàn)。

而對(duì)話交互，用戶可以說(shuō)任何內(nèi)容，天文、地理，包羅萬(wàn)象。我認(rèn)為這背后的本質(zhì)改變就是從“確定性”轉(zhuǎn)變?yōu)椤安淮_定性”。實(shí)際上，后面無(wú)論是算法還是交互設(shè)計(jì)，基本上都想辦法提高語(yǔ)言理解的確定性或者是降低交互設(shè)計(jì)的不確定性。

阿里巴巴在智能對(duì)話交互方向上的進(jìn)展和實(shí)踐

下面介紹下阿里巴巴在智能對(duì)話交互方向的進(jìn)展和實(shí)踐。先看對(duì)話交互邏輯的概況，傳統(tǒng)的對(duì)話交互大概會(huì)分以下幾個(gè)模塊，從云識(shí)別把語(yǔ)言轉(zhuǎn)成文字，語(yǔ)言理解是把用戶說(shuō)的文字轉(zhuǎn)化成一種結(jié)構(gòu)化的表示，對(duì)話管理是根據(jù)剛才那些結(jié)果來(lái)決定采取什么樣的合作。在語(yǔ)言設(shè)置這一塊就是根據(jù)action生成一句話，通過(guò)一種比較自然的方式把它讀出來(lái)。

我認(rèn)為現(xiàn)在人機(jī)交互和傳統(tǒng)的人機(jī)交互一個(gè)主要不同點(diǎn)就在于數(shù)據(jù)和服務(wù)。隨著互聯(lián)網(wǎng)的發(fā)展，數(shù)據(jù)和服務(wù)越來(lái)越豐富，那人機(jī)交互的目的是什么？歸根到底還是想獲取互聯(lián)網(wǎng)的信息和各種各樣的服務(wù)。

語(yǔ)言理解簡(jiǎn)單來(lái)說(shuō)就是把用戶說(shuō)的話，轉(zhuǎn)換為一種結(jié)構(gòu)化的語(yǔ)義表示，從方法上會(huì)分成兩個(gè)模塊：意圖的判定和屬性的抽取。

比如用戶說(shuō)：“我要買(mǎi)一張下周去上海的飛機(jī)票，國(guó)航的“。第一個(gè)模塊就要返回理解，用戶的意圖是要買(mǎi)飛機(jī)票，第二，使用抽取模塊，要把這些關(guān)鍵的信息出處理出來(lái)，出發(fā)時(shí)間、目的地、航空公司，從而得到一個(gè)比較完整的結(jié)構(gòu)化的表示。

那么，人機(jī)對(duì)話中的語(yǔ)言理解面臨哪些挑戰(zhàn)呢？我總結(jié)為四類(lèi)：

表達(dá)的多樣性。同樣一個(gè)意圖，不同的用戶有不同的表達(dá)方式。那對(duì)于機(jī)器來(lái)說(shuō)，雖然表達(dá)方式不一樣，但是意圖是一樣的，機(jī)器要能夠理解這件事情。

語(yǔ)言的歧義性。比如說(shuō)，“我要去拉薩“，它是一首歌的名字。當(dāng)用戶說(shuō)：“我要去拉薩”的時(shí)候，他也可能是聽(tīng)歌，也可能是買(mǎi)一張去拉薩的機(jī)票，也可能是買(mǎi)火車(chē)票，或者旅游。

語(yǔ)言理解的混亂性，因?yàn)橛脩粽f(shuō)話過(guò)程當(dāng)中，比較自然隨意，語(yǔ)言理解要能夠捕獲住或者理解用戶的意圖。

?

上下文的理解。這是人機(jī)對(duì)話交互一個(gè)非常大的不同，它的理解要基于上下文。

在語(yǔ)言理解這一塊，我們把用戶語(yǔ)言的意圖理解抽象為一個(gè)分類(lèi)問(wèn)題，之后，就有一套相對(duì)標(biāo)準(zhǔn)的方法解決，比如CNN神經(jīng)網(wǎng)絡(luò)、SVM分類(lèi)器等等。阿里巴巴現(xiàn)在就是采用CNN神經(jīng)網(wǎng)絡(luò)方法，并在詞的表示層面做了針對(duì)性的改進(jìn)。機(jī)器要理解用戶的話的意思，背后一定要依賴(lài)于大量的知識(shí)。比如說(shuō)，“大王叫我來(lái)巡山”是一首歌的名字，“愛(ài)探險(xiǎn)的朵拉”是一個(gè)視頻，互聯(lián)網(wǎng)上百萬(wàn)量級(jí)這樣開(kāi)放領(lǐng)域的實(shí)體知識(shí)，并且每天都會(huì)有新的歌曲/視頻出現(xiàn)，如果沒(méi)有這樣大量的知識(shí)，機(jī)器是很難真的理解用戶的意圖的。那么，在詞的語(yǔ)義表示這塊，除了word embedding，還引入了基于知識(shí)的語(yǔ)義表示向量。

剛才提到了，用戶說(shuō)的話實(shí)際上是比較隨意和自然的，那怎么樣讓這個(gè)模型有比較好的魯棒性來(lái)解決口語(yǔ)的隨意性問(wèn)題呢？我們主要針對(duì)用戶標(biāo)注的數(shù)據(jù)，通過(guò)算法自動(dòng)加一些噪音，加噪之后（當(dāng)然前提是不改變語(yǔ)義），基于這樣的數(shù)據(jù)再training模型，這樣處理之后模型就會(huì)有比較好的魯棒性了。

第二個(gè)模塊是屬性抽取，在這一塊，我們把它抽象為一個(gè)序列標(biāo)注問(wèn)題。這個(gè)問(wèn)題，神經(jīng)網(wǎng)絡(luò)也有比較成型的方法，我們現(xiàn)在也是用這種雙向LSTM，在上面有一層CRF解碼器，取得了不錯(cuò)的效果，但是這背后更大的功夫來(lái)自于對(duì)數(shù)據(jù)的分析和加工。

以上所述的人機(jī)對(duì)話語(yǔ)言理解最大的特色就是基于上下文的理解，什么是上下文？我們看一個(gè)例子，用戶說(shuō)：“北京天氣怎么樣？”，回答說(shuō)，北京的天氣今天溫度34度。接著用戶說(shuō)“上海呢？”，在這里用戶的潛臺(tái)詞是指上海的天氣，所以要能夠理解用戶說(shuō)的話需要根據(jù)上文意思來(lái)分析。針對(duì)這樣的場(chǎng)景，我們?cè)賹?duì)問(wèn)題做了一個(gè)抽象，在上下文的情況下，這句話和上文有關(guān)還是無(wú)關(guān)，把它抽象為二分的分類(lèi)問(wèn)題，做了抽象和簡(jiǎn)化以后，這個(gè)問(wèn)題就有相對(duì)成型的解決方法了。

剛才介紹的是語(yǔ)言理解，下面我介紹下對(duì)話引擎。

對(duì)話引擎就是根據(jù)語(yǔ)言理解的這種結(jié)構(gòu)化的語(yǔ)意表示以及對(duì)照到上下文，來(lái)決定采取什么樣的動(dòng)作。這個(gè)動(dòng)作我們把它分成幾類(lèi)。

第一，用于語(yǔ)言生成的動(dòng)作。

第二，服務(wù)動(dòng)作。

第三，指導(dǎo)客戶端做操作的動(dòng)作。

再看一個(gè)簡(jiǎn)單的對(duì)話例子。用戶說(shuō)：“我要去杭州，幫我訂一張火車(chē)票”，這個(gè)時(shí)候機(jī)器首先要理解用戶的意圖是買(mǎi)火車(chē)票，之后就要查知識(shí)庫(kù)，要買(mǎi)火車(chē)票依賴(lài)于時(shí)間和目的地，但是現(xiàn)在用戶只說(shuō)目的地沒(méi)說(shuō)時(shí)間，所以它就要發(fā)起一個(gè)詢(xún)問(wèn)時(shí)間的動(dòng)作，機(jī)器問(wèn)了時(shí)間之后，用戶回答說(shuō)“明天上午”。這個(gè)時(shí)候機(jī)器要理解用戶說(shuō)的明天上午正好是在回答剛才用戶問(wèn)的問(wèn)題，這樣匹配了之后，基本上這個(gè)機(jī)器就把這個(gè)最關(guān)鍵的信息都收集回來(lái)了：時(shí)間和目的地，之后，機(jī)器就可以發(fā)起另外一個(gè)請(qǐng)求服務(wù)指令，然后把火車(chē)票的list給出來(lái)。這個(gè)時(shí)候用戶接著說(shuō)：“我要第二個(gè)”。機(jī)器還要理解用戶說(shuō)的第二個(gè)，就是指的要打開(kāi)第二個(gè)鏈接，之后用戶說(shuō)“我要購(gòu)買(mǎi)”，這個(gè)時(shí)候機(jī)器要發(fā)起一個(gè)指令去支付。

綜上，對(duì)話交互，我會(huì)把它分成兩個(gè)階段：

第一階段，通過(guò)多輪對(duì)話交互，把用戶的需求表達(dá)完整，因?yàn)橛脩粜畔⒑芏?，不可能一次表達(dá)完整，所以要通過(guò)對(duì)話搜集完整。第一階段得到結(jié)構(gòu)化的信息，出發(fā)地、目的地、時(shí)間，有了這些信息之后，第二階段，請(qǐng)求服務(wù)。接著用還要去做選擇、確定、支付、購(gòu)買(mǎi)等等后面的動(dòng)作。

傳統(tǒng)的人機(jī)對(duì)話，包括現(xiàn)在市面上常見(jiàn)的人機(jī)對(duì)話，一般都是只在做第一階段的對(duì)話，第二階段的對(duì)話做得不多。

在對(duì)話交互這塊，阿里巴巴還是做了一些有特色的東西：

對(duì)話引擎之后，我們?cè)倏聪挛覀兊?a target="_blank">問(wèn)答引擎和聊天引擎：

問(wèn)答引擎：其實(shí)人和機(jī)器對(duì)話過(guò)程中，不僅僅是有task的對(duì)話還有問(wèn)答和聊天，我們?cè)趩?wèn)答引擎這塊，目前還是著力于基于知識(shí)圖譜的問(wèn)答，因?yàn)榛谥R(shí)圖譜的問(wèn)答能夠比較精準(zhǔn)地回答用戶的問(wèn)題。

聊天引擎：我們?cè)O(shè)計(jì)了兩類(lèi)聊天引擎。

對(duì)話交互平臺(tái)的開(kāi)發(fā)策略

剛才語(yǔ)言理解引擎、對(duì)話引擎、聊天引擎再加上語(yǔ)音識(shí)別合成，形成了完整的一套系統(tǒng)和平臺(tái)，我們稱(chēng)之為自然交互平臺(tái)。在這套平臺(tái)上，一端是連接著各種各樣的設(shè)備，另外一端是連接了各種各樣的服務(wù)，這樣用戶和設(shè)備的交互就能夠用比較自然的方式進(jìn)行下去了。

值得一提的是，這樣的自然交互平臺(tái)在阿里巴巴已經(jīng)有比較多的應(yīng)用了。比如說(shuō)在互聯(lián)網(wǎng)汽車(chē)對(duì)話交互，我們和合作伙伴設(shè)計(jì)開(kāi)發(fā)了汽車(chē)前裝和汽車(chē)后裝場(chǎng)景的對(duì)話交互。在功能上，比如說(shuō)像地圖、導(dǎo)航、路況，還有圍繞著娛樂(lè)類(lèi)的音樂(lè)、有聲讀物。

在汽車(chē)場(chǎng)景下的對(duì)話交互，還和其他場(chǎng)景有非常多的不同。因?yàn)楫a(chǎn)品方希望當(dāng)這個(gè)車(chē)在郊區(qū)網(wǎng)絡(luò)不好的時(shí)候，最需要導(dǎo)航的時(shí)候，你要能夠工作，所以我們的語(yǔ)音識(shí)別還有語(yǔ)言理解、對(duì)話引擎，就是在沒(méi)有網(wǎng)絡(luò)的情況下，要在端上能夠完全工作，這里面的挑戰(zhàn)也非常大。

現(xiàn)在正在把這樣的對(duì)話交互平臺(tái)開(kāi)放出來(lái)，讓合作伙伴去開(kāi)發(fā)自己場(chǎng)景的對(duì)話交互，所以我們正在開(kāi)發(fā)面向開(kāi)發(fā)者的平臺(tái)，這個(gè)平臺(tái)背后有端上的解決方案和云上的解決方案，端上包括聲音的采集、VAD、端上無(wú)網(wǎng)情況下完整的對(duì)話方案，服務(wù)端的能力會(huì)更加強(qiáng)大了。

在合作伙伴這塊有兩類(lèi)：一類(lèi)是面向設(shè)備的，比如說(shuō)汽車(chē)、電視、音箱、機(jī)器人、智能玩具。另外一類(lèi)就是類(lèi)似于行業(yè)應(yīng)用，比如說(shuō)智能客服這樣的一個(gè)場(chǎng)景。

考察一個(gè)對(duì)話交互平臺(tái)的能力，其實(shí)第一需要看它背后沉淀和積累的技術(shù)，我們?cè)谶@方面花了三年的時(shí)間去沉淀了一些公共場(chǎng)景的對(duì)話交互能力。比如像娛樂(lè)、出行、理財(cái)、美食，有了這樣的能力之后，當(dāng)一個(gè)新的業(yè)務(wù)方接入的時(shí)候，就不需要再去開(kāi)發(fā)了，直接調(diào)用就好。用戶只需要開(kāi)發(fā)業(yè)務(wù)場(chǎng)景中特定的一些場(chǎng)景就可以，大大加快業(yè)務(wù)方開(kāi)發(fā)對(duì)話交互的速度。

第二個(gè)能力就是提供足夠強(qiáng)的定制能力，這種能力我們?cè)谡Z(yǔ)言理解，用戶可以定制自己的時(shí)點(diǎn)、對(duì)話邏輯、聊天引擎、問(wèn)答引擎，可以把自己積累的數(shù)據(jù)上傳上來(lái)，以及對(duì)語(yǔ)音識(shí)別的詞語(yǔ)定制，包括TTS聲音的定制等等。

智能對(duì)話交互生態(tài)的范式思考

過(guò)去3-4年，在人機(jī)對(duì)話領(lǐng)域，應(yīng)該說(shuō)，我們還是取得了長(zhǎng)足的進(jìn)步，這樣的進(jìn)步來(lái)自于以聲音學(xué)習(xí)為代表的算法突破。這個(gè)算法的突破帶來(lái)語(yǔ)音識(shí)別大的改進(jìn)。同時(shí)，另一方面，我們認(rèn)為當(dāng)前的對(duì)話交互和真正的用戶期望還是有明顯距離的，對(duì)話交互能覆蓋的領(lǐng)域比較受限的，大家如果是用智能云交互的產(chǎn)品，你發(fā)現(xiàn)翻來(lái)覆去就是那幾類(lèi)，音樂(lè)、地圖、導(dǎo)航、講笑話等等，其次，有的服務(wù)能力還不夠好，所以對(duì)于未來(lái)，我們是走自主研發(fā)路線還是平臺(tái)路線呢？

第一類(lèi)，自主研發(fā)。很多的創(chuàng)業(yè)公司或者是團(tuán)隊(duì)基本上都是自主研發(fā)的，像蘋(píng)果公司它基本上就是自主研發(fā)的模式。

第二類(lèi)，平臺(tái)模式。典型代表就是亞馬遜的Alexa，這個(gè)平臺(tái)的好處是它能夠發(fā)動(dòng)開(kāi)發(fā)者的力量快速地去擴(kuò)展領(lǐng)域。

兩者各有利弊，所以如何把這兩者結(jié)合在一起，有沒(méi)有第三種模式。如果有，第三種模式應(yīng)該具有哪些特點(diǎn)呢？我總結(jié)了下，大概有以下幾個(gè)特點(diǎn)：

第一，由于自然語(yǔ)言理解的門(mén)檻比較高的，門(mén)檻高指的是對(duì)于開(kāi)發(fā)者來(lái)說(shuō)，它比開(kāi)發(fā)一個(gè)APP難多了，從無(wú)到有開(kāi)發(fā)出來(lái)不難，但要做到效果好是非常難的。所以，語(yǔ)言理解引擎要自研。第二，對(duì)話邏輯要平臺(tái)化。對(duì)于對(duì)話交互，因?yàn)樗蜆I(yè)務(wù)比較緊，每個(gè)業(yè)務(wù)方有自己特殊的邏輯，通過(guò)平臺(tái)化比較合適，讓平臺(tái)上的開(kāi)發(fā)者針對(duì)各自場(chǎng)景的需求和交互過(guò)程來(lái)開(kāi)發(fā)對(duì)話。第三，需要建立一套評(píng)測(cè)體系，只有符合這個(gè)評(píng)測(cè)體系的，才能引入平臺(tái)當(dāng)中。第四，需要商業(yè)化的機(jī)制，能夠讓開(kāi)發(fā)者有動(dòng)力去開(kāi)發(fā)更多的以及體驗(yàn)更好的交互能力。

如果這幾點(diǎn)能夠做到，我們稱(chēng)之為第三種范式，這個(gè)平臺(tái)能夠相對(duì)快速地，并且開(kāi)發(fā)的能力體驗(yàn)是有效果保證的。這樣它開(kāi)放給用戶的時(shí)候，無(wú)論是對(duì)B用戶還是C用戶，可以有更多的價(jià)值。

總結(jié)

最后，總結(jié)下我們對(duì)于研發(fā)對(duì)話交互機(jī)器人的幾點(diǎn)思考和體會(huì)：

堅(jiān)持用戶體驗(yàn)為先。這個(gè)話說(shuō)起來(lái)很容易，但是我也知道，很多團(tuán)隊(duì)不是以用戶為先的，是以投資者為先的。

降低產(chǎn)品和交互設(shè)計(jì)的不確定性。如上所說(shuō)，對(duì)話交互最大的問(wèn)題是不確定性，在產(chǎn)品的交互上，我們要想辦法把這種不確定性盡量降得低一點(diǎn)。

打造語(yǔ)言理解的魯棒性和領(lǐng)域擴(kuò)展性。語(yǔ)言的理解能力盡量做到魯棒性，才能夠比較好的可擴(kuò)展。

打造讓機(jī)器持續(xù)學(xué)習(xí)能力。對(duì)話交互我認(rèn)為非常重要的一點(diǎn)就是怎么樣能夠讓機(jī)器持續(xù)不斷地學(xué)習(xí)。

打造數(shù)據(jù)閉環(huán)。要能夠快速地達(dá)到數(shù)字閉環(huán)，當(dāng)然這個(gè)閉環(huán)當(dāng)中要把數(shù)據(jù)的效能充分調(diào)動(dòng)起來(lái)，結(jié)合更多數(shù)據(jù)的服務(wù)。

作者簡(jiǎn)介：孫健，博士，阿里巴巴iDST 自然語(yǔ)言理解和人機(jī)對(duì)話負(fù)責(zé)人，資深專(zhuān)家。