AI对话聊天问答机器人开发

   自然语言处理技术允许聊天机器人识别预加载的单词并考虑句子的上下文，形式和词性。例如，您可以训练聊天机器人在一条消息中识别几个问题并获得“我如何为订单付款？”和“您能告诉我可能的付款方式吗？”的相同含义。智能聊天机器人可以询问后续问题以获得更多背景并提供更好的结果。

    对企业的好处

    聊天机器人可以：

    •自动化重复流程

    •全天候为客户提供快速反馈

    •降低呼叫中心成本

    •删除人为因素

    •与信息系统集成

   银行，网上商店，HoReCa，旅行社，电信公司以及快递和运输服务都选择将AI聊天机器人作为其客户服务团队的一部分进行整合。

    我们如何为人力资源部门开发一个Chatbot

   来自同事的典型问题，如“你能告诉我如何获得假期薪酬吗？”或“我如何获得运动补偿？”是人力资源人员每天都会遇到的痛点。他们分散注重关键任务的注意力。我们想出了如何实现双赢的结果：从人力资源部门解除日常流程的负担，并为同事提供快速答案。决定开发一个智能聊天机器人，接管重复的咨询活动。

    项目阶段

    1.开发一个不提问题的Chatbot架构

    我们定义了聊天机器人的要求：

    1.Chatbot必须响应用户请求。

    2.Chatbot必须提供自然的会话体验。

    在开发之前，我们创建了一个聊天机器人架构，它不能回答问题，但仍设法满足用户请求。

    结果请求处理算法非常简单：

    1.将用户的短语从文本转换为数字向量。

    2.使用用户意图分类器处理数字向量。

    3.从与用户意图对应的准备短语列表中选择满足用户请求的短语。

    简单的聊天机器人架构

    2.使用决策树方法定义用户意图

   我们选择了决策树模型来定义用户意图。为了处理短语，我们使用词袋算法将其转换为数字向量。数字向量是一个数字数组，其中每个数字表示单词出现在句子中的次数。

   正如您所看到的，“查询”一词在一个句子中重复两次，它对应于数字2.并且句子中没有“分析”，它对应于0。

    我们如何使用bag-of-words算法将句子转换为数字向量的示例

   在将句子转换为数字向量之前，我们进行了预处理-删除了常用的单词：连词，介词等。在此向量中，我们考虑用户消息中可能出现的所有单词。

    基于决策树的聊天机器人和用户通信的终方案

   我们使用scikit-learn库中的DecisionTreeClassifier对用户意图进行分类。有不熟悉的单词，词袋算法也表现得非常好。

    基于bag-of-words算法的智能聊天机器人对话框

    3.开发一个问题和执行查询的Chatbot架构

    我们更改了聊天机器人架构，以便我们的虚拟助手可以向用户提问。

   我们添加了一个新的实体操作，用于定义执行用户请求应执行的操作。想象一下这种情况：网络开发人员Pete要求聊天机器人找到他的同事Maria的电话号码。机器人与同事的联系人向数据库发送请求，以向Pete提供所需的电话号码。为了满足这样的要求，需要执行所有动作。聊天机器人不仅响应具有预定义短语的用户，还响应于用户的问题采取动作来创建新短语。

    我们还创建了一个实体：DataEntity。它显示了用户需要的数据。

   如果聊天机器人不了解用户想要的内容，则需要输入短语。当用户说出某些内容时，聊天机器人会尝试了解其意图。在这种情况下，有三种可能的情况：

    •如果聊天机器人设法执行此操作，它会尝试执行操作以满足用户请求。

   •如果有足够的数据来执行请求，则聊天机器人会执行操作并忘记用户请求，因为它认为已经执行了此操作。

    •如果没有足够的数据来执行操作，聊天机器人会询问用户是否缺少信息。

    这是聊天机器人和用户互动的方式：

    用户和聊天机器人之间的交互架构

    4.改变模型以支持神经网络

   基于词袋的决策树在文本识别中表现出相当好的结果。但聊天机器人识别的意图越多，其词汇量就越大。这意味着处理的词袋矢量中的元素数量变得更大。使用决策树训练聊天机器人需要花费越来越多的时间。

    我们决定进行一项实验：训练神经网络以确定用户的意图，看看这将如何发挥作用。

   为了将短语转换为数字向量，我们使用了来自开放的FacebookAI存储库的已经训练过的word2vec模型。该模型定义了每个单词的相应向量。

   为此，我们尝试了多层感知器架构。单词的数字向量形成短语的数字向量。这个模型对于word2vec模型所熟悉但在训练期间没有被提及的新单词变得不稳定。

    我们选择了具有双向LSTM层的神经网络模型。

    具有双向LSTM的递归神经网络的体系结构

   神经网络分别分析每个单词并考虑相邻单词。基于此，它将短语与意图相关联。该模型设法识别出用户非常满意的内容。