http://www.docin.com/p-2177206264.html
1、智能问题算法原理
任务机器人
知识图谱机器人
FAQ机器人
闲聊机器人
阅读理解机器人
1.1 FAQ 机器人
query -> 纠错->标准化->文本特征提取->query改写[同义词] ->BM25 算法 -> 计算语句和候选句的相似度s(q,q') , 并排序
【相似度计算：冷启动-深度学习匹配-知识图谱-拒识】
https://blog.csdn.net/qq_42491242/article/details/105286787
https://zhuanlan.zhihu.com/p/84809907
拒识 =即能够知道自己不能回答用户的哪些问 题以及何时应该转向人工客服.
知识图谱相似度=基于特定知识的语义相似度量，它依赖于分类中的结构化知识:
例如： 深度、路径长度 ) 和统计信息内容( 语料库与语义图谱) 。
冷启动解决方案
字面匹配 文本相似度（jaccard, cosine)+ xgboost
xgboost 非线性建模，他将K（树的个数）个树的结果进行求和，作为最终的预测值
词向量 word2vec,glove =Global Vectors for Word Representation
句向量 WMD[无监督] ,SIF
SIF
1、以smooth inverse frequency（简称SIF)为权重，对所有词的word vector加权平均
例如权重=a/(a + p(w))，最后从中减掉重要关键词，得到sentence embedding。
2、对一些不重要的词语的权重下降，例如but、just等
结论 虽然句子中无加权的平均词嵌入是简单的基准做法，但是Smooth Inverse Frequency是更强有力的选择
https://zhuanlan.zhihu.com/p/37104535
排序训练模型
排序阶段也可以利用排序训练模型，得到知识库内的相似问，构造句对训练数据，训练有监督的模型
判断(query, question)的分数，选择分数最高的问题对应的知识点作为机器人回复
深度匹配模型DSSM
通过搜索引擎里 Query 和 Title 的海量的点击曝光日志，用 DNN 把 Query 和 Title 表达为低纬语义向量，并通过 cosine 距离来计算两个语义向量的距离，最终训练出语义相似度模型。该模型既可以用来预测两个句子的语义相似度，又可以获得某句子的低纬语义向量表达。
https://www.jianshu.com/p/8f19d915b3f8
迁移学习
联合学习
-文本分类：同时进行语句匹配和分类
-文本生成：匹配和seq2seq训练
多语料迁移：
-fine-tune
-adversarial loss
预训练模型
-ELMO , BERT
多轮对话架构
对话管理
query->nlu-DST-DPL -NLG ->response
NLU : 意图识别（规则或分类）槽位提取（NER）
DST-会话状态管理(DQN)
DPL- 会话策略学习，选择下一步
NLG- 根据action 返回回复文本
预判 客服机器人多轮对话的意图预判功能通常依赖于访客的接入渠道、着陆页、访问轨迹等数据，机器人可以通过这些数据来预测客户想要咨询的问题
https://blog.csdn.net/stay_foolish12/article/details/90265394
任务型机器人
https://www.cnblogs.com/qcloud1001/p/9181900.html
任务型机器人指特定条件下提供信息或服务的机器人。通常情况下是为了满足带有明确目的的用户，例如查流量，查话费，订餐，订票，咨询等任务型场景
理解了用户意图之后，通过引导用户完善任务要求，完成任务。
知识图谱机器人
处理流程：场景选择，实体抽取，关系预测
问答式
引导式
根据知识逐步递进，一步步进行约束定义
阅读理解机器人
从文章中抽取答案，阅读理解建模。
闲聊机器人
seq2seq， 上下文建模
电话机器人
ASR, NLP, TTS,MRCP
智能电话管理
人群管理，话术管理，电话任务管理，知识库管理，算法模型管理
外呼统计
任务监控，通话监控，意向度筛选，通话详情，统计分析
智能应答
智能问答系统体系结构
功能组件：语义解析，语义匹配，会话意图识别，答案生成，情感分析
深度迁移学习，知识图谱引擎
问答标注平台，模型训练平台，分布式爬虫，hadoop 集群
知识库管理界面
问答管理，相似问题，智能学习
访客界面
回答，引导转人工
客服界面
挑战
1- 单轮: 深度语义匹配 迁移学习 知识图谱
2- 多轮 对话管理-槽位提取-端到端学习-强化学习
3- 阅读理解机器人-开放域闲聊机器人
