​​编辑导语：对话机器人（ChatBot）目前已应用在众多领域，但还有一些AI产品经理对其概念没有一个系统化的认知。作者在文中对两类ChatBot进行了详解，与你分享。

对话机器人（ChatBot），以自然语言的方式和用户进行交互，从而完成咨询、客服、助理、娱乐等用户诉求，目前已经应用在很多领域。

本文主要介绍两类应用最广的ChatBot：FAQChatBot和多轮对话ChatBot，包括这两类ChatBot的适用场景和构造模块。

FAQ(Frequently Asked Questions) ChatBot，从英文全称可以看出来，是将一些频繁用到的问题和答案对整理好，形成知识库。

当用户提问时，将用户的问题和知识库的众多问题进行匹配，匹配完成后，将匹配到的知识库问题对应的答案，返回给用户，如下图所示：

为了匹配更精准，在构建知识库时，可以多设置几个扩展问题，如下表所示，在疫情期间，为了快速构建一个FAQ ChatBot，提高问题匹配精准度，可以这样构建知识库：

当我们的目标是快速构建一个基于常用知识的咨询时，就可以用FAQ ChatBot，例如打造一个公司内部的入职咨询、报销指南。

总结一下，FAQ ChatBot 的目的是：将企业的各种知识有效管理起来，采取一问一答的单轮对话方式，为用户提供咨询服务。

该方法的优点是建设快，质量可控、准确率高，其缺点是泛化能力比较弱。随着不断迭代，知识库的更新很大程度依赖于人工，不能自主提升自己的泛化能力。

当面临更加复杂的问题时，例如用户想要完成订餐、订票等任务，需要进行多轮陈述，才能完成用户的诉求。

一方面，用户在对话过程中可以不断修改或完善自己的需求；另一方面，当用户的陈述的需求不够具体或明确的时候，机器也可以通过询问、澄清或确认来帮助用户找到满意的结果。

对于这样的多轮对话，ChatBot架构如下：

下面，我们配合下面这个预订会议室的例子，来理解多轮对话ChatBot架构的各个模块：

NLU的目的是，完成对用户指令的理解。

所以NLU模块的输入是用户指令，输出主要采用DIS的表示结构，D代表Domain（领域）, I代表Intent（意图），S代表Slot（槽位）。

（有些情况下没有Domain，直接输出为Intent）

Domain、Intent和Slot都是产品经理根据需求预先定义好的。不同的业务场景会定义不同的DIS。

对于这个预订会议室的例子，可以定义DIS如下：

对话管理DM控制着人机对话的过程，是ChatBot的核心。

在对话过程中，对话机器人系统会不断根据当前的对话状态和用户行为，决定下一步应该采取的最优动作，从而完成整个对话任务。

因此，在这个过程中，DM主要完成以下两个任务：

（1）维护&更新对话状态(dialog state tracking, DST)

根据之前的状态和用户的输入，维护一份最新的对话状态。

（2）产生系统决策(dialog strategy)

根据DST中的对话状态做出系统决策，决定下一步做什么。

如上图，对于当前的会议室预订实例，当用户表达了想预订906会议室，当前的最新对话状态为：

此时，系统做出决策：对话补全。因此，系统继续追问用户：您想预约什么时间段？

用户对此反馈：明天上午9点到11点。

系统根据此时最新的反馈和刚才的对话状态状态，产生新的系统决策，并更新状态。

更新后的状态为：

在这个案例里，DM的输入输出如下图：

在产生系统决策时，DM一般会利用以下两种策略：

（1）意图重入：当从当前的用户行为中分析不出意图时，会将上一轮的意图重入。

例如“我还想定一个下午两点到四点的”，单凭这一句话，无法得出用户的意图，则将上一轮查询的“会议室预订”意图进行重入。

（2）领域重入：当意图重入匹配度较低，则会采用领域重入。

当DM做出和用户交互相关的系统决策时，需要NLG模块配合，生成自然语言，和用户完成交互。

当用户预订会议室成功后，DM模块将预订成功的信息传给NLG模块：

NLG模块则根据预设的模版或其他生成算法，以自然语言方式反馈给用户结果：

总结一下，多轮对话与单轮对话的不同在于，携带前几轮对话的上下文信息，可以完成更复杂的任务，也使得对话过程更加智能。

本文由 @躺平看星星 原创发布于人人都是产品经理，未经许可，禁止转载