作者 | 翁嘉颀
编译 | 姗姗
出品 | 人工智能头条（公众号ID：AI_Thinker）
【导读】在人机交互过程中，人通过和计算机系统进行信息交换，信息可以是语音、文本、图像等一种模态或多种模态。对人来说，采用自然语言与机器进行智能对话交互是最自然的交互方式之一，但这条路充满了挑战，如何机器人更好的理解人的语言，从而更明确人的意图？如何给出用户更精准和不反感的回复？都是在人机交互对话过程中最为关注的问题。对话系统作为NLP的一个重要研究领域受到大家越来越多的关注，被应用于多个领域，有着很大的价值。
本期大本营公开课，我们邀请到了竹间智能的 CTO 翁嘉颀老师，他将通过对技术方法通俗易懂的讲解和Demo 演示相结合的方式为大家讲解本次课题，本次课题主要包含一些几个内容：
1.上下文理解技术——补全与指代消解
2.上下文理解技术——对话主题式补全
3.NLU的模块架构及如何利用NLU的基础信息
4.Live Demo 演示
5.人机交互的案例分享与研究发展趋势
6. Q & A
观看回放：https://edu.csdn.net/huiyiCourse/detail/804
以下是公开课文字版整理内容
▌前言
我从1982年开始坐在电脑前面，一直到现在。上一次做人工智能是27年前，大概1991年的时候，那个时候做人工智能的人非常可怜 ，因为做什么东西都注定做不出来，随便一个机器学习的训练、神经网络训练需要20天，调个参数再重新训练又是20天，非常非常慢。电脑棋类我除了围棋没做以外，其他都做了，本来这辈子看不到围棋下赢人，结果两年前看到了。后来做语音识别，语音识别那个年代也都是玩具，所以那个年代做人工智能的人最后四分五裂，因为根本活不下去，后来就跑去做搜索引擎、跑去做金融、跑去做其他的行业。
这次人工智能卷土重来，真的开始进入人类生活，在周边地方帮上我们的忙。今天我来分享这些人机交互的技术到底有哪些变化。
先讲“一个手环的故事”，这是一个真实的故事，我们在两年前的4月份曾经想要做这个，假设有一个用户戴着手环，“快到周末了，跟女朋友约会，给个建议吧”。背后机器人记得我的一些事情，知道我过去的约会习惯是看电影，还是去爬山，还是在家打游戏、看视频。如果要外出的话，周末的天气到底怎样，如果下大雨的话那可能不适合。
而且它知道我喜欢看什么电影、不喜欢看什么电影、我的女朋友喜欢看什么、不喜欢看什么，它甚至知道我跟哪一个女朋友出去，喜欢吃什么，不喜欢吃什么，餐厅的价位是吃2000块一顿，还是200块一顿，还是30块一顿的餐馆，然后跟女朋友认识多久了，刚认识的可能去高档一点的地方，认识6年了吃顿便饭就和了，还有约会习惯。
有了这些东西之后，机器人给我一个回应，说有《失落 的世界2》在某某电影院，这是我们习惯去的地方，看完电影，附近某家餐馆的价位和口味 是符合我们的需要。我跟它说“OK，没问题”，机器人就帮我执行这个命令，帮我买电影票、帮我订餐馆、周末时帮我打车，甚至女朋友刚认识，买一束花放在餐馆的桌上。
我们当时想象是做这个。这个牵扯到哪些技术？第一，有记忆力，你跟我讲过什么东西，我能记得。还包括人机交互，我今天跟它讲“周末是女朋友生日 ，订个好一点的吧。”它能帮我换个餐馆，能理解我的意思。
如果手环能够做到这个样子，你会觉得这个手环应该是够聪明的，这个机器人是够聪明的，能够当成 你的助手陪伴你。最后，我们并没有做出来，我们做到了一部分，但是有一部分并没有做到。
我们公司的老板叫Kenny，他之前是 微软亚洲互联网工程院副院长，负责小冰及cortana的，老板是做搜索引擎出身的，我以前也是做搜索引擎的，做了11年。左下角的曹川在微软做搜索引擎。右上角在微软做搜索引擎。右下角在谷歌做搜索引擎。目前的人工智能很多是 搜索引擎跑回来的，因为搜索引擎也是做语义理解、文本 分析，和人工智能的文本 分析有一定的相关度。
▌人机交互的发展
一开始都是一些关键词跟模板的方式，我最常举的例子，我桌上有一个音箱，非常有名的一家公司做的，我今天跟这个音箱说“我不喜欢吃牛肉面”，音箱会抓到关键词“牛肉面”，它就跟我说“好的，为您推荐附近的餐馆”，推荐给我的第一个搞不好就是牛肉面。我如果跟它说“我刚刚吃饭吃很饱”，关键词是“吃饭”，然后它又说“好的，为您推荐附近的餐馆”，所以用关键词的方式并不是不能做，它对语义意图理解的准确率可能在七成、七成五左右，也许到八成，但有些东西它是解不了的，因为它并不是真的理解你这句话是什么意思。所以要做得好的话，必须用自然语言理解的方式，用深度学习、强化学习，模板也用得上，把这些技术混搭在一起，比较有办法理解你到底要做什么事情。
这个Chatbot的演变历程我们不细讲，但我今天要表达，在人机交互里面或者语义理解上面，我们分成三个层次。
最底层的叫自然语言理解，举例来说，我现在想说“我肚子饿”跟“我想吃东西”这两句话的句法、句型不太一样，所以分析的结果也不太一样，这是最底层的。
第二层叫“意图的理解”，这两句话虽然不一样，但它们的意图是一致的，“我肚子饿”跟“我想吃东西”可能代表我想知道附近有什么餐馆，或者帮我点个外卖，这是第二层。目前大家做的是第一层跟第二层。
其实还有第三层，第三层就是这一句话背后真正的意思是什么，比如我们在八点上这个公开课，我突然当着大家的面说“我肚子饿”跟“我想吃东西”，你们心里会有什么感受？你们心理是不是会觉得我是不是不耐烦、是不是不想讲了。你的感受肯定是负面的。今天如果我对着一个女生说“我肚子饿”，女生心里怎么想？会想我是不是要约她吃饭，是不是对她有不良企图。目前大家离第三层非常遥远，要走到那一步才是我们心目中真正要的AI，要走到那一步不可避免有情绪 、情感的识别、情境的识别、场景的识别、上下文的识别。
我们公司的名字叫“EMOTIBOT”，情感机器人，我们一开始创立时就试着把情绪 情感 的识别做好。我们情绪情感识别，光文字做了22种情绪 ，这非常变态 ，大部分公司做的是“正、负、中”三种，但是你看负面的情绪 ，有反感、愤怒、难过、悲伤、害怕、不喜欢、不高兴，这些情绪 都是负面的，但是它不太一样，我害怕、我悲伤、 我愤怒，机器人的反馈方式应该是不一样的。
人脸表情我们做了9种，语言情绪 我们做了4种。而且我们做最多的是把这些情绪混合在一起做了多模态的情感。举个例子，像高考光结束，我今天看了一段文字：“我高考考了500分”，你看了这段文字不知道该恭喜我还是安慰我。这时要看讲话的语气，如果我的语气是说“哦，我高考考了500分。”你一听就知道我是悲伤的，所以会安慰我。所以通常语音情感 比文字情感 来得更直接。
然后人脸表情加进来，三个加在一起，又更麻烦了。我们来看一段视频，我用桌面 共享。（视频播放）“鬼知道我经历了什么”，文字上是匹配的——我已经要死了、生不如死，我的文字是愤怒的，但我的语音情绪跟脸表情是开心的，所以我的总情绪 仍然是开心的。这是把人脸表情、语音情绪 、文字情绪 混搭在一起做出来的多模态情感。
▌上下文理解技术
接下来进入比较技术面的部分，讲话聊天时，任务型的机器人一定牵扯到上下文的理解技术。
什么叫上下文理解技术？
这是某个电商网站，我前面一句话跟它说“我要买T恤”，它给我3件T恤，我跟它说“要黑色的”，意思是我要黑色的那件T恤，但它完全不理解我的意思，因为没有上下文。所以它居然在跟我解释黑色的基本定义是什么，是因为不返色，所以你看不到光，所以它是黑色的。这完全不是我要的东西，所以没有上下文时，它的反应常常啼笑皆非。
我们来看看上下文怎么做，上下文有几种做法。第一种是补全与指代消解，像说“明天上海会不会下雨”，回答了“明天上海小雨”，“那后天呢”缺了主谓宾等一些东西，所以往上去找，把它补全，把“那后天呢”改成“后天上海会不会下雨”，然后机器人就有办法处理。
指代消解也是“我喜欢大张伟”，然后机器人回答说“我也喜欢他”，“他”是谁？这个代名词，我知道“他”是大张伟，所以把“我也喜欢他”改成“我也喜欢大张伟”，这样才有办法去理解。然后那个人就说“最喜欢他唱得《倍儿爽》”，那他是谁？要把它改成写“最喜欢大张伟唱的《倍儿爽》”。这两个是基本的东西，基本上每家公司都能够做得到。
然后我们看难一点的东西，可以不可以做对话主题式补全？这个开始有一些上下文在里面，“我喜欢大张伟”，第一句话目前的对话主题是大张伟，然后它回答说“对啊，我也喜欢他”改成“我也喜欢大张伟”，这没问题。
第二句话是“喉咙痛怎么办？”这有两种可能，因为我现在的对话主题是大张伟，所以可能是“喉咙痛怎么办”，也可能是“大张伟喉咙痛怎么办”，这时候怎么办？我到底应该选哪一个？先试第一个“喉咙痛怎么办”，居然就可以找到答案了，我知道能够找到好的答案，我就回答了“喉咙痛就多喝开水”，目前的对话主题也变成喉咙痛。
第三个是“他唱过什么歌？”这个他到底是谁？有两个对话主题，一个是喉咙痛，一个是大张伟，有可能是“喉咙痛他唱过什么歌”或者“大张伟他唱过什么歌”。因为优先，最近的对话主题是喉咙痛，所以我先看第一个，但是一找不到答案，所以我再去看第二个“大张伟唱过什么歌”，那我知道大张伟唱过歌，所以他唱过《倍儿爽》，我就可以回答，这是对话主题式补全。
另外，利用主题做上下文对话控制。像现在在世界杯，我问你“你喜欢英超哪支球队？”我的主题是“运动”底下的“足球”底下的“五大联赛”底样。的“英超”,我可以回答“我喜欢巴萨”，你问我英超，我回答西甲，这没有什么太大的毛病，虽然最底下的对话主题不太一样，但是前面是一样的。或者你问我足球，我可不可以回答篮球，“我比较喜欢看NBA”，这可能不太好，但是也不至于完全不行。如果我回答说“我喜欢吃蛋炒饭”这肯定是不对的，因为你问我的是运动体育里面的东西，我居然回答美食。
这个对话主题我可不可以根据上下文主题，去生成等一下那句回答应该是什么主题？我可以根据上下文去猜测等一下你的下一句回答应该有哪些关键词，我可以根据上下文猜出你下一句是什么句型，是肯定句还是正反问句。我有了关键词、有了句型、有了主题，我可以造句，造出一句回答，这也是上下文解法的一种。或者我什么东西都不管，我直接根据上下文用生成式的方式回你一句话。这个目前大家还在研究发展之中，目前的准确度还不是很高，但这是一个未来的发展方向。
▌NLU的重要性
NLU我们做了12个模块，最基本的当然是分词，然后词性标注，是主词还是动词、形容词称、第二人称、第三人称，然后命名实体，北京有什么好玩的跟上海有什么好玩的，一个是北京，一个是上海，两个不太一样。然后我如果问“你喜欢吃苹果吗？”“等一下我们去吃麦当劳好不好？”这是一个问句，而且我在问你的个人意见，所以你的回答可能是一个肯定的，可能是一个否定的，也可能反问我一个问句说“等一下几点去吃”，无论如何，你的回答不会跟我讲“早安”或“晚安”，因为我问的是“等一下我们去吃麦当劳好不好。”我们还做了一些奇怪的东西，例如语义角色的标注 ，后面可以看到一些例子。
以这个句子来说，“我明天飞上海，住两天,要如家”整个句子的句法结构拆出来，核心动词是“飞、住、要”，把它分出来“我飞”、“飞上海”、“住两天”、“要如家”，有了这些核心动词，我知道我的意图不是订机票，如果只有“我明天飞上海”，我的意图可能是订机票，但是因为有后面的“住两天”跟“要如家”，所以根据这些东西判断出来我的意图是订酒店，根据这些东西算出来：明天入住，3天后离店，都市是上海，酒店名称叫如家酒店。整个东西就可以把它解析出来。
这样的解法跟深度学习黑盒子最大的差别是，这样的解法先把句子拆成一些零件，拆成一些基本的信息，我再根据这些信息，可能以深度学习的方式判断你的意图、对话主题，这样我的数据量可以小很多。如果整个大黑盒子，数据量要五十万比、一百万比、两百万比，才能够有一定的准确率。今天我做了足够的拆解，所以我的数据量三万比、五万比就够了，就可以训练出一个还不错的模型。
再介绍一下我如何利用NLU的基础信息，像“上周买衣服多少钱”这句话，我从Speach Act知道这是一个问句，是一个question-info，你不是说“上周买衣服花了好多钱”，这不是一个问句，就不需要处理。是一个问句的话，再看它是一个数量问句，还是地点的问句，还是时间的问句，“我什么时候买了这件衣服？”“我在哪里买了这件衣服？”问句不一样，后面知道查哪个数据库的哪张表。根据核心动词“花钱”跟“买衣服”，知道类别 是衣服饰品，不是吃饭、不是交通，由时间知道是“上周”，整个东西就可以帮你算出来。这等于是我一句话先经过NLU的解析，再判断你的意图和细节信息。
▌多轮对话与机器人平台
像刚刚订酒店那个例子，如果表明“我要订酒店”，订酒店有8个信息要抽取，这时机器人要跟你交流：你要订哪里的酒店、几号入住、几号离店、酒店名称、星级、价格等等这一堆东西。今天我们的用户不会乖乖回答。“你要订哪里的酒店？”他可能乖乖跟你说“上海的”、“北京的”，它也可能跟你说“我明天飞上海，住两天，要如家”，他一句话就告诉我四个信息，所以基本用填槽的方式，有N个槽要填。然后看看这句话里面有哪些信息，把它抽取出来，填到相对应的槽，再根据哪几个槽缺失信息决定下一轮的问句该问什么问题，这样比较聪明。举例来说，“我想要买一个理财产品”，“您需要是保本还是不保本？”我只问你保本还是不保本，结果他一次回答“保本的，一年的，预期收益不低于5个点。”他一次告诉我3个 信息，而且3个信息已经够了，我就直接帮你推荐，不用再问你“你要一年、半年还是两年的？”这样的机器人看起来就很傻。
我们来看一些Live Demo的东西
第一个是对话机器人的定制，如何快速定制自己的机器人。
我们先切到共享桌面。在这里，假设我现在创建一个机器人，我的名字“小竹子”，然后我是什么机器人？是一个聊天 的、电商的还是金融机器人？我是一个聊天机器人好了，两个步骤创建完了。然后可以做一些设置，机器人有形象，每个人拿到机器人会说：你是男生还是女生？你晚上睡觉吗？你有没有长脚？你今年几岁？你爸爸是谁？你妈妈是谁？你住在哪里？你问“你是男生是女生”时我回答“我是女生”，可不可以修改？我修改“我是精灵”或者“我没有性别”，保存。保存以后我还没有修改，因为我没有重新建模，我们先来问问看，“你是男生，还是女生？”它还是说“我是女生”。然后“你叫什么名字？”它说“叫小竹子”。我开始问它“明天上海会不会下雨？”“那北京呢？”这上下文代表北京明天会不会下雨，“北京明天有雨”，我再问“那后天呢？”这个上下文，是北京的后天还是上海的后天？应该是北京的后天，因为离北京最近。
然后再来问它一些知识类的“姚明有多高？”它告诉我是“226厘米”，我再问它“姚明的老婆有多高”，“190厘米”，还可以做些推论，例如像“谢霆锋跟陈小春有什么关系？”这个很少有人知道，谢霆锋的前妻是张柏芝，陈小春的前女友也是张柏芝，所以陈小春是谢霆锋前妻的前男友。这是知识推论。还有一些该有的功能，如果很无聊，机器会跟你聊天。你可以更改任何你想要的回答，你可以更改知识图谱，你可以建立自己的意图。
来看第二个demo，像多轮对话场景要怎么做？
我先创建一个新的场景，场景的名称叫“竹间订餐厅”，触发条件，什么样的语句会触发这个场景？我要新建一个意图，意图的名称叫“订餐厅”，使用者说“我要订位”，或者“我要吃饭”。现在有一个订餐厅的意图，我只要讲“我要吃饭”或者类似的讲法，它就知道我要进入这个场景。下一步，订餐厅有两个信息，至少要知道时间跟人数，我打算怎么问？我可以有默认的问句“你要选择的时间是什么？你要选择的人数是什么？”但这看起来很死板，我可以自定义“请问 您要订位的时间？请问总共有几位？”这两个问句分别抽取时间跟抽取人数，然后再下一步。抽取之后可以有一个外部的链接，链接到某个地方去帮你订位。现在选择回复的方式，“订位成功，您的订位时间是**，总共人数是**，谢谢”，储存，我一行代码都没有写，然后开始测试。
再来看下一个demo，直接用桌面来讲，demo订餐馆。为什么订餐馆？因为上个月谷歌demo就是订餐馆，有个机器人帮你到餐馆订位置。我说“我要订位”，它问我“是什么时间？”我这时候可以回答一个句子给它，可以跟它说“国庆节，我们有大概7、8个人，还带2个孩子。要是可以的话，帮我订一个包间，我们7点半左右到，预定8点”“好的”，它只问我一个时间，我回答了这么多东西，有没有办法理解？7、8个人是8个人，不是78个人，还带2个小孩，要是可以的话帮我订一个包间，所以是包厢，7点半左右到，所以预定8点好了，它有办法理解。“好的”，我没有跟它讲时间是早上8点还是晚上8点，“晚上8点”，“需要宝宝椅吗？”“因为我有小孩，所以一张宝宝椅”，问我“贵姓”，我说“富翁”，它帮我订好了，但没位置“要不要排号？”“好啊”，我说我有老人，它帮我排了比较方便出入的位置。“信息是否正确”“没错”，订位完成。
我们再试另外一个，“我要订位”“什么时间？”“后天晚上9点，8个人。”“要包间还是大堂？”“大堂太吵了，包间好了。”我不是用关键词做的，如果用关键词，有大堂 ，有包间，到底是哪一个？还有预定都包厢贵姓，“李”，排号。“有没有人过生日？是否有误？”“没问题”，它就帮我订好了。一个机器人如果能够做到这个地步，随便你怎么讲，你不按照顺序讲，甚至你还可以修正，说“我有8个人，不对，是9个人”，它可以知道你是9个人而不是8个人。
▌人机交互下一步
有几个案例可以分享：
第一个AIOT的平台，这个东西目前有一些公司有一些企业在做，举例来说，我跟我的手环、跟我的音箱、跟我的耳机说我在家里，我跟它说太暗了，太暗了是什么意思？假设今天我家里有很多盏智能灯都已经接到我的平台上面，所以我跟我的平台讲太暗了，有哪些东西是跟光线有关？我发现窗帘跟光线有关，电灯跟光线有关，我就跑去问说你要开客厅的灯还是厕所的灯还是厨房的灯？这样问其实非常傻，因为我可能人现在是在客厅，你干吗要问我这个东西？但是我没办法人你到底在哪里？这有几个解法，我在家里到处都装摄像头，我就知道你在哪里，但是这是一件非常可怕的事情，家里装摄像头相信里心里不太舒服。
当然过去的技术我多装几个WIFI，我装三个WIFI在你家里三个不同的地方，我利用三角定位知道你人在哪里，我知道你在客厅，你说太暗了，我就把客厅的灯打开，我只要背后都是一个同样的ALOT的中控中心帮我做这件事情。
另外一个我可能有多种选择，我说太热了，太热了到底要开窗、开空调还是开电风扇？机器问你说我要帮你开电扇还是帮你开空调？你说空调吧，现在太热，OK，机器人帮你执行，有些时候人的意图有多种可能性，多个AIOT的家居设备都跟温度控制有关，机器人可以掌握。当然他会聪明一点，不会有18个跟温度有关，他一个一个问，最后人会晕倒，这个东西不会太遥远，我认为在一年半到两年之内这些东西会出来，甚至一年会出来。慢慢你家里会变成用ALOT的整个平台跟LOT的设备来帮你管理这些东西，你会生活变得更方便。
第二个人机交互的下一步是人脸+语音的加入，我可不可以根据你人脸知道你是男生女生，你现在的情绪是什么？是长头发短头发，有没有戴眼镜，有没有胡子？语音识别当然是最基本的，这个已经非常非常成熟了，可不可以知道这句话到底代表什么意思？语音把它转变成文本，如果可以的话还可以知道你的语气，你的语音情绪是愤怒还是悲伤，还是高兴？我可以做一些参考，语音的情绪是非常重要的。
这个东西可以使用，我从人脸表情特征可以做什么，特征做了22种，性别、年龄、肤色、头发、眉头、颜值，长得漂不漂亮，脸形，特征是给人负面印象是冷酷无情，还是有正面印象你是有一个魅力值信赖的人，这第一印象这东西说不准。表情我们做了九种，喜怒哀乐、惊、惧、厌恶、藐视、困惑、中性。还有人脸的行为分析，我的视线目前是专注还是一直这样低头，显得不自信，还是眼神飘忽不定，这东西是什么意思？
我们来讲一个真实的应用的案例。
现在一些新零售，包括无人店，包含一些智慧门店，举例来说，我们在帮某个电视的大厂在某个卖场刚开业，把我们的技术放进去，同时有五家公司都是在卖电视，包括竞争对手索尼，其他知名的品牌，那个卖场开幕三天，我们做了那家夏普收入是90万，另外四家加起来40多万，光夏普一家干掉四家的总和还一倍多。这个怎么做到？第一个可不可以吸引人流？在我的店的门口摆一个屏幕，摆一些东西，你摄像头，你人经过的时候可以抓住你是男生女生，你的颜值怎么样？你的情绪怎么样？非常有趣，所有人经过停下来看，停下来看你是一个四十几岁的男生，推荐里面有什么优惠活动，你是喜欢的，你是一个20岁的女生，推荐另外的优惠活动。你是一对情侣，是一个家庭带着小孩，推荐给你的东西不一样。
大家看到这个东西之后，我进店的人就会有机会比别人多，再来我可以主动式的交互，你走到货架前面，我看到是一个长头发的女生主动跟你聊天，一个机器人，一个屏幕，一个平板，这位长头发的女士你的头发很漂亮，我这里有一些洗发水，有一些润发你有什么兴趣了解，我根据你的属性，因为你是女生长头发，给你推荐某些东西跟你对话，我会跟你说脸上有一些黑斑，我有一些遮瑕膏你要不要？在对话的过程中发现这个人的脸色越来越难看，我赶快停止这个话题，这个东西不应该继续讲下去，是人脸的特征，人脸的情绪跟整个人机交互综合的应用。
我们也可以做到，我在一些过道上面，这个商场的过道，我知道你的人进到店里面你是怎么走动，我发现你在某一台电视前面停了五分钟，停了特别久，你离开了什么都没有买。两天后你带着一家大小来了，这是什么意思？你带着老婆、带着小孩上门，这可能代表你要来做决定你是要花钱的，而且我根据你上次的线上购买记录，因为我知道你的脸部，知道你是谁，知道你的会员编号，我知道你上次买了一台2万多块的冰箱，所以我知道你的消费能力不是那种一两千块钱，你可能是两三万，我马上通知销售员跟他说，这个人来了买电视，因为他两天前看过某一些电视，而且他的消费能力是以万来计算的，是万等级，所以你上去不要推荐他四千块的电视，你就是往高往贵推荐。也是因为这样子，我们的卖场，我们的销售的业绩能够比别人好。这些东西我相信在半年一年内，大家在各种各样的商场会大量看到。
最后我们举个例子。今天你们可能说我每个人都有一个机器人，我戴一个手环，手环的背后接我的机器人，我到每个店家也都有一套机器人，麦当劳有一套机器人，肯德基有一套机器人，今天我走进麦当劳，对着我的手环说我喜欢吃巨无霸，大杯可乐去冰，我的机器人听到以后，我机器人主动去找麦当劳机器人，跟它说我要什么东西，两个机器人之间的对话，不需要用中文，不需要用人类的语言，他们直接数据格式的交换，机器人有机器人的语言，他们自己交换，交换完以后麦当劳机器人接到这个订单通知后面，告诉我三分钟之后过来拿，可不可以这样子？我的手环告诉我说，三分钟之后可以过去拿。所以未来真的变成一个机器人世界，每个人都有一个代语，机器人跟机器人去沟通，把这个东西做好。
▌Q&A 时间
今天是我的分享，再下来是交互的时间，各位有什么问题想要问的？有人问一下提一下相关技术，看一下什么相关的技术？如果是图像的话，图像最顶尖的公司各位都可以查得到，当然目前比较以安防为主，不管是刷脸门禁，慢慢做到情绪情感的部分。如果是平台的部分，目前全国做的也差不多有一二十家公司，大家各有它的优缺点，看你是一个封闭的平台或者是开放的平台，你找人工智能平台，语意理解平台，人工智能机器学习训练平台都可以找得到。
1.有人问说出现设定外的情绪机器人能处理吗？
例如说我的语音情绪做了四种，高兴、中性、愤怒跟悲伤，那突然出现一个害怕，语音出现害怕作为分类是分不出来，这是没办法处理的。
2.有人问到表情的理解，我大概讲一下我们怎么做的？
我们人脸表情光标注，标注了200万张的照片以上，每张照片三个人标注，三个人都说他是高兴，OK，他是高兴，三个人说他是悲伤，他是悲伤，三个人意见不一致，我找心理学家来做最后的判断，你去算一算，200万张的照片三个人标注，总共600万人次，你需要多少时间？多少钱？
3.多模态情绪怎么做？
通过人脸表情算出一个分数，语音情绪算出一个分数，文字的情绪算出一个分数，我们背后有两种模型，第一个规则，人脸表情就是多少分，语音情绪多少分以上，我加成上一个比重，或者说文字情绪算出来，这是一种方式。
另外一种，我们后面用的一个深度学习的模型，我们把这些所有的值标进去算出一个总情绪，当然一样需要大量的标注数据。
4.有人问对话的答案是能机器人自动合成组合出来吗？
这是自动生成的范围，目前来说我认为，我实际上看到正确率大概在3—5成之间，它回答好的大概在3成—5成，有一半的概率不靠谱。
5.知识图谱学习多少可用？
这个东西看你的领域，如果你是金融领域，金融知识可能12万、18万就够了，如果你是一个医疗领域，可能是几十万，但是如果你是聊天的领域，衣食住行、电影、电视这些东西，加起来要800万—1200万知识图谱的数据量。有些公司大企业做搜索引擎的，天生的数据量特别大，知识图谱可能有8亿，有20亿，非常非常大量的数据。
6.有人问到说交流的过程中打错字怎么办？语音转文字效果不好，如何提高意图识别准确率？
在有限的场景之下，这个有办法做到，像电视就68个意图，100个意图，可以做的非常准，真的可以转成拼音去做，或者真的用一些模糊匹配的方式，可以把匹配的阈值放大一点可以做得好。在一个聊天的场景，有限的场景这个是不可能做得好的。
这其实是包含语音识别在内的，语音识别大家的普通话不一定很标准，像我也是有口音的，所以我语音转转文字，可不可以把它转成拼音，我把平舌、翘舌、前鼻音、后鼻音把它去掉，这样ch就跟c是一样的，zh就跟z是一样的，我用这些方法是做正规化。这些东西尤其在找歌曲的名字、电影的名字、视频的名字非常有用，因为你歌曲的名字那么长，视频的名字那么长，电视剧的名字那么长，你不一定讲对，我要看《春娇志明明》，没有春娇志明，是《志明与春娇》，我要看《三生三世》，我知道三生三世十里桃花，我要看半月传，芈月传传那个芈我不会念，我念成半月传找不到，但是我发现用户查字典，问了人，下句话他讲对了我要看芈月传，我发现你上面这句话跟下面这句话句型非常非常类似，你上面那句话找不到，下面那句话居然找到了，我可不可以说可能半月传就是等于芈月传，自动把它抓出来，做得好由人工判断，人工做最后的判断，这些东西就打勾打勾，这些东西是同义词，一样就把它输入进去重新训练就好了。
7.有人问到对话主题怎么建立？
我这个屏幕有限都是跳着回答，对话主题不算很庞大了，你的主题看你做到几百种几、几千种，主题是有阶层次的关系。就是说你的对话主题做出来之后你如何确定这句话是什么主题？当然有关键词，也有机器学习、深度学习的方式都可以去做，而且准确度不会太低。
8.有人说在交流的过程中出现场景之外，怎么做到多轮？
就像刚刚那个我订酒店机票订到一半突然说我失恋了，机器人可以怎么回答？机器人可以开始跟你聊失恋的话题，订酒店就算了，这是一种解法。列另外一种解法，我订酒店订到一半失恋了，我跟你说你失恋了好可怜，敷衍你一下，继续问你说刚刚酒店还没有订，你要不要订？你要不要继续？我先把前一个场景处理掉，确定你场景已经结束，我才让你到下一个场景。
9.有人问怎么判断哪个答案更好？
假设我背后有18个模块，有20个模块，有20个模块都可以出答案，天气、讲笑话、知识图谱的聊天、各种各样的场景、订酒店、订机票，一样我一句话进来，我可不可以让每个模块举手，这个模块说这句话我可以回答，别的模块说这句话我可以回答，当然每个模块都会回答，而且每个模块除了回答以外会有一个信心分数，当然有些模块我都是100分，跑来抢答案，这个时候就要看你到底靠不靠谱？当然我在我的中控中心，我根据上下文判断我的情绪，我的意图，我的主题，我发现说你的对话主题是体育、运动，回答的对话主题是美食，我把这个答案直接丢掉，我发现你的问句是快乐的，回答居然是一句悲伤的句子，直接把它丢掉。我可以利用我的中控中心做这样的事情，还是没办法，有些模块是乱回答的话，我把它分数降低，它以后宣称它自己是100分，我都打个八折，以证明它不靠谱。
10.一语双关的语句可以理解多少？
这个非常难，这个是目前解不了的，现在世界杯，我们举例，中国乒乓球谁都打不赢，中国足球谁都踢不赢，这两句话的句型完全一模一样，但是意思可能是相反的，那这个东西怎么理解？老实话目前还做不到这个地步，不知道五年后、十年后可能有机会，刚刚两句话你去问一个小学生，其实小学生也搞不懂，你要足够的社会知识，你有足够的社会历练你才知道这句话什么意思。
11.怎么知道机器的回答对不对？
有几种方法了，有一种还是看人工，我今天机器人回答，这个用户就生气了，用户说你这个机器人好笨，我都听不懂你在讲什么，显然这个机器人回答不好，我就可以反馈回去说这个回答不对。另外一种，我发现我回答以后，这个用户决定直接转人工，假设我是一个智能客服，回答完以后用户决定转人工，代表我刚刚的回答肯定是有问题的。第三种是说，我同样的问题问了第三次，我开户该带哪些证件？机器人回答我不满意，我再问我到底该怎么开户？再问说开户到底应该怎么办？我三个句子不太一样，其实意思是一样的，所以今天当问了第三句话，代表我前面的回答一定不对，用户会问到第三句，基本上靠人的反馈来做。
12.有人问对于学生有什么建议？
在校的学生我的建议是说，你要先想，你现在有很多（01：00：35英文）各式各样的框架，数据网络上也都能拿得到，甚至这些代码都可以直接下载，你就可以做一些基本的东西，这是练习，你最后要解决仍然是真实的问题，你到底要解决什么问题？解决那些问题你打算怎么解？你要设定一个目标，解到使什么地步才是人类可以用的，而不是做一个模型，做一个PPT，这个是不够的，你越早能够知道人工智能实际的技术边界在哪里，什么东西只是一个花俏的东西，什么是东西是真的可以用的，这个对你未来进入职场会有帮助，或者对你未来研究的方向有帮助，毕竟人工智能帮助人，帮助各种各样的行业，才能够帮上忙。
13.有人问什么时候机器人可以写一本中文小说，或者机器人什么时候可以思考？
我觉得还非常非常遥远，也许十年，也许十五年，机器人的思考方式一定跟人是不一样的，但是现在机器人都是一大堆的规则，我不觉得机器人是可以思考，甚至有创造力。
14.五年内人工智能的实际应用场景结合最好的方向？
这个我无法预测，人工智能目前都在摸索，我大概可以猜到一年后会有哪些东西？哪些东西是假的，哪些东西不可能实现的，哪些东西是有机会的，一年内我大概可以猜得出来，五年内我猜不出来，因为技术的发展超过我的控制范围。但是我觉得深度学习、机器学习没办法解决NLP，NLP的复杂度不是可以解决的，而且没有这样的数据链，NLP要解决好也许还出现更新的科技能够出来。
15.如何断句，如何分词？
这样说好了这其实是一个大的难题，我在黄浦江边，我是分成黄浦跟江边，还是黄浦江跟边，你好可爱，是你好、可爱还是你好加可爱，我们先不要讲长句，光这个短句分可能分错，有时候你好在一起，有时候你好要分开，这个东西只能说我拿现在的东西，我再去不断不断优化，而且有可能说，我们累积好几万的bug，我去看这些bug我可能用新的模型来解，新的bug可能用新的算法来解，一群一群去解这些问题，才能慢慢前进，这个没有什么快速的方法。
我们今天的分享就到这里。谢谢各位！
网友评论