本文轉載自微信公眾號「活在資訊時代」，作者活在資訊時代。轉載本文請聯絡活在資訊時代公眾號。
大家在使用很多APP的時候，一定對於智慧機器人客服系統都有所了解。客服機器人就像真人客服一樣，可以與人進行簡單的對話，並針對人們的需求給予相應的答案。雖然大部分時間得到的答案不怎麼可靠吧，但總的還是比較節省人工的。
近期火熱的聊天機器人ChatGPT本質上也是客服機器人，只不過它背後依據的演算法更精細，預訓練的資料量也更大。
下面我們就一起來看看客服機器人背後的技術：對話推薦系統。
使用者使用對話推薦系統的過程，本質上是一個經過多輪資訊互動，最終協助使用者進行決策的過程。
對話推薦系統（Conversational Recommendation System，CRS）透過豐富的互動行為，打破了靜態推薦系統中系統與使用者之間資訊不對稱的壁壘，允許推薦系統在與使用者的互動對話中，動態捕捉使用者偏好。一方向透過探索使用者目前的興趣偏好，引導使用者發現自己新的興趣點。另一方面，在互動過程中，即時接受使用者的回饋，更新推薦模型的策略，實現動態學習與更新。這是一種以推薦為目標導向的對話系統，透過與用戶的線上對話達到捕捉用戶興趣從而推薦用戶所需的答案或商品的目的。
一般的對話系統通常分為兩類：任務導向型和非任務導向型。後者即是人們通常所說的聊天機器人。而任務導向的對話系統旨在幫助用戶完成具體的任務，例如幫助用戶尋找所需的商品、預訂飯店餐廳等。以推薦任務為導向的任務導向對話系統，通常可以看作是以自然語言文字、語音為互動形式的對話推薦系統。在推薦任務中，具有較高的商業價值。
從對話推薦系統的應用來看，有兩個典型的特點：多輪互動和目標導向。
1、多輪互動
傳統的系統中，例如在淘寶搜尋商品的時候，用戶尋找具有特定屬性的商品時，會透過主動搜尋來進行。例如，可以搜尋“春季的男士外套”，在這個場景中，使用者自己建構查詢，推薦效果不僅依賴搜尋引擎，更多是依賴使用者自己的專業知識來建構合適的查詢關鍵字。這種傳統的推薦系統需要使用者根據自己的先驗知識輸入可能的屬性選項，才能準確定位到合適的商品。但是在很多場景中，使用者並不具有這樣的先驗知識。在這種情況下，使用者期望系統能夠主動向使用者介紹他們可能喜歡的潛在物品。
而對話推薦系統中的多輪互動特點可以彌補傳統推薦系統中使用者主動搜尋的不足。在系統與使用者的即時互動中，可以透過主動向使用者提問的方式，向使用者展示使用者未知的物品屬性空間，並利用使用者的回饋訊息，直接了解使用者對某些屬性的需求和態度，建構使用者興趣畫像，從而做出正確的推薦。
2、目標導向
對話推薦系統要實現的目標任務是給用戶推薦用戶感興趣的商品，因此以實現成功推薦為最終目標，進行取得使用者偏好資訊的交互，CRS與傳統推薦系統有相同的「推薦」目標，但是二者在系統的運作與實現上完全不同。傳統的推薦系統可以看作是系統單方面向使用者輸出推薦物品。而CRS則著重實用的即時回饋，不斷主動試探使用者興趣點，並更新後續的推薦策略。
一個標準的對話推薦系統由三個功能模組組成：使用者意圖理解模組、對話策略模組和推薦模組。
1、使用者意圖理解模組
使用者意圖理解模組是與使用者直接交換資訊的模組，其輸入早年主要是對話文本，而隨著技術的發展，多模態資料和使用者行為資料也越來越成為對話推薦系統的主要輸入數據來源。
2、對話策略模組
對於推薦系統而言，能夠基於的正回饋資料是非常少的，這就造成了系統與使用者之間的資訊並不匹配，而失敗的探索將浪費用戶的時間，傷害用戶的偏好，進行造成用戶的流失。因此，追求探索和收益的平衡是對話推薦系統中的關鍵問題。對話策略模組的主要任務就是解決這個問題。
在多輪互動過程中，這個問題表現為系統在互動過程中需要確定當前是否要繼續詢問用戶，還是基於已經獲取到的信息來實現推薦商品，從而增加用戶選擇商品的機率。這是一個典型的博弈問題。過多的詢問可能造成使用者的厭惡，而過少的詢問又會造成使用者偏好資訊的缺失。因此，好的對話策略需要智慧地平衡對話輪次與建議準確率兩個指標。
3、推薦模組
推薦模組是對話推薦系統中實現推薦功能的模組，根據已經捕捉到的用戶信息，推薦用戶當前最感興趣的目標物品。在大部分的CRS中，推薦模組都採用簡單的推薦模型，例如矩陣分解，這是因為簡單的推薦模型已經能夠滿足對話推薦系統的推薦需求，使用過於複雜的推薦模型，反而會使系統整體複雜度上升，使對話推薦系統的訓練變得困難。
以上是客服機器人是怎麼實現的？對話推薦系統的詳細內容。更多資訊請關注PHP中文網其他相關文章！
