Comment est mis en œuvre le robot du service client ? Système de recommandation de dialogue

Cet article est réimprimé du compte public WeChat « Vivre à l'ère de l'information ». L'auteur vit à l'ère de l'information. Pour réimprimer cet article, veuillez contacter le compte public Vivre à l’ère de l’information.

Lorsque vous utilisez de nombreuses applications, vous devez avoir une certaine compréhension du système de service client du robot intelligent. Tout comme le service client humain, les robots du service client peuvent avoir des conversations simples avec les gens et donner des réponses correspondantes à leurs besoins. Même si les réponses obtenues la plupart du temps ne sont pas très fiables, cela permet généralement d'économiser du travail.

Le robot de chat récemment populaire ChatGPT est essentiellement un robot de service client, mais l'algorithme qui le sous-tend est plus sophistiqué et la quantité de données pré-entraînées est plus importante.

Jetons un coup d'œil à la technologie derrière les robots du service client : le système de recommandation de dialogue.

1. Présentation du système de recommandation de dialogue

Le processus par lequel les utilisateurs utilisent le système de recommandation de dialogue est essentiellement un processus qui aide finalement les utilisateurs à prendre des décisions à travers plusieurs cycles d'interaction d'informations.

Le système de recommandation conversationnelle (CRS) brise la barrière d'asymétrie des informations entre le système et l'utilisateur dans le système de recommandation statique grâce à des comportements interactifs riches, permettant au système de recommandation de capturer dynamiquement les préférences de l'utilisateur pendant le dialogue interactif avec l'utilisateur. One direction guide les utilisateurs dans la découverte de leurs nouveaux points d’intérêt en explorant leurs intérêts et préférences actuels. D'autre part, pendant le processus d'interaction, il accepte les commentaires des utilisateurs en temps réel, met à jour la stratégie du modèle de recommandation et réalise un apprentissage et une mise à jour dynamiques. Il s'agit d'un système de dialogue axé sur les recommandations qui capture les intérêts des utilisateurs via un dialogue en ligne avec les utilisateurs et recommande les réponses ou les produits dont les utilisateurs ont besoin.

Les systèmes de dialogue généraux sont généralement divisés en deux catégories : axés sur les tâches et non orientés sur les tâches. Ce dernier est ce que les gens appellent habituellement les chatbots. Le système de dialogue orienté tâches est conçu pour aider les utilisateurs à accomplir des tâches spécifiques, telles que les aider à trouver les produits dont ils ont besoin, à réserver des hôtels et des restaurants, etc. Les systèmes de dialogue orientés tâches pour les tâches de recommandation peuvent généralement être considérés comme des systèmes de recommandation de dialogue qui utilisent le texte et la voix en langage naturel comme forme interactive. Dans les tâches de recommandation, il a une valeur commerciale élevée.

2. Caractéristiques des tâches de recommandation de dialogue

Du point de vue de l'application du système de recommandation de dialogue, il présente deux caractéristiques typiques : l'interaction à plusieurs tours et l'orientation vers un objectif.

1. Plusieurs cycles d'interaction

Dans les systèmes traditionnels, par exemple, lors de la recherche de produits sur Taobao, lorsque les utilisateurs recherchent des produits avec des attributs spécifiques, ils le feront via la recherche active. Par exemple, vous pouvez rechercher « vestes pour hommes au printemps ». Dans ce scénario, l'utilisateur construit lui-même la requête. L'effet de la recommandation dépend non seulement du moteur de recherche, mais aussi de ses propres connaissances professionnelles pour construire une requête appropriée. mots-clés. Ce système de recommandation traditionnel oblige les utilisateurs à saisir des options d'attributs possibles en fonction de leurs propres connaissances préalables afin de localiser avec précision les produits appropriés. Mais dans de nombreux scénarios, les utilisateurs ne disposent pas de telles connaissances préalables. Dans ce cas, les utilisateurs s'attendent à ce que le système présente de manière proactive à l'utilisateur les éléments potentiels qui pourraient leur plaire.

La fonctionnalité d'interaction à plusieurs tours du système de recommandation de dialogue peut compenser les lacunes de la recherche active des utilisateurs dans le système de recommandation traditionnel. Dans l'interaction en temps réel entre le système et l'utilisateur, il peut montrer à l'utilisateur l'espace d'attributs d'élément inconnu en posant activement des questions à l'utilisateur, et utiliser les informations de retour de l'utilisateur pour comprendre directement les besoins et les attitudes de l'utilisateur à l'égard de certains attributs, et construire un portrait des intérêts des utilisateurs pour faire des recommandations correctes.

2. Orienté vers les objectifs

L'objectif du système de recommandation de dialogue est de recommander des produits qui intéressent l'utilisateur. Par conséquent, dans le but ultime d'obtenir des recommandations réussies, l'interaction entre CRS et les systèmes de recommandation traditionnels est de obtenir des informations sur les préférences des utilisateurs. Ils ont le même objectif de « recommandation », mais le fonctionnement et la mise en œuvre du système sont complètement différents. Les systèmes de recommandation traditionnels peuvent être considérés comme un système fournissant unilatéralement des éléments recommandés aux utilisateurs. CRS, quant à lui, se concentre sur des retours pratiques en temps réel, explore constamment de manière proactive les points d'intérêt des utilisateurs et met à jour les stratégies de recommandation ultérieures.

3. Modules fonctionnels de base du système de recommandation de dialogue

Un système de recommandation de dialogue standard se compose de trois modules fonctionnels : un module de compréhension de l'intention de l'utilisateur, un module de stratégie de dialogue et un module de recommandation.

1. Module de compréhension de l'intention de l'utilisateur

Le module de compréhension de l'intention de l'utilisateur est un module qui échange directement des informations avec les utilisateurs. Dans les premières années, son entrée était principalement du texte de dialogue. Avec le développement de la technologie, les données multimodales et les données sur le comportement des utilisateurs sont devenues de plus en plus les principales sources de données d'entrée. pour les systèmes de recommandation de dialogue.

2. Module de stratégie de dialogue

Pour les systèmes de recommandation, il existe très peu de données de retour positif sur lesquelles on peut se baser, ce qui entraîne une inadéquation entre les informations entre le système et l'utilisateur, et une exploration échouée sera gaspillée. Temps utilisateur, nuire aux préférences de l'utilisateur et entraîner la perte de l'utilisateur. Par conséquent, la recherche d’un équilibre entre exploration et gain est une question clé dans les systèmes de recommandation conversationnelle. La tâche principale du module de stratégie de dialogue est de résoudre ce problème.

Au cours de plusieurs cycles d'interaction, ce problème se manifeste lorsque le système doit déterminer s'il doit continuer à demander à l'utilisateur pendant le processus d'interaction ou recommander des produits en fonction des informations obtenues, augmentant ainsi la probabilité. de l'utilisateur sélectionnant le produit. Il s'agit d'un problème typique du jeu. Trop de demandes peuvent provoquer le dégoût des utilisateurs, tandis que trop peu de demandes peuvent entraîner un manque d'informations sur les préférences de l'utilisateur. Par conséquent, une bonne stratégie de dialogue doit équilibrer intelligemment les deux indicateurs que sont les tournants du dialogue et l’exactitude des recommandations.

3. Module de recommandation

Le module de recommandation est un module qui implémente la fonction de recommandation dans le système de recommandation de dialogue. Sur la base des informations utilisateur qui ont été capturées, il recommande les éléments cibles qui l'intéressent actuellement le plus. . Dans la plupart des CRS, le module de recommandation utilise un modèle de recommandation simple, tel qu'une décomposition matricielle, car un modèle de recommandation simple peut déjà répondre aux besoins de recommandation du système de recommandation conversationnel. L'utilisation d'un modèle de recommandation trop complexe rendra le système global complexe. Le degré augmente, rendant difficile la formation des systèmes de recommandation de dialogue.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!