对话工厂，顾名思义，个性化定制对话流的工作台，按照更灵活的方式，将对话中的概念进行抽象和提炼为三个基本元素：entry（触发）、function（函数）、response（回复），经过大量应用场景的实际案例发现，几乎所有对话流都可以用以上三个基本元素拼装组合而成。包括经典的slotfilling机制，包括非依赖性平行槽、依赖槽，甚至针对填槽过程中获取到的参数值进行分支判断，例如重名校验、合理性校验等等。
对话工厂的起源
如今在深度学习技术的加持下，人工智能技术和应用已经风靡全球，各类对话机器人相继诞生，有的应用在生活中，例如各大厂牌的智能音响，有的应用在工作中，例如各种高效的客服机器人，其实在chatbot领域，一般将用户的Query区分为三大类：
咨询类，“请问我们公司缴纳的个人所得税比例是多少？”。
闲聊类，“你好啊”、“谢谢了”、“你真棒”。
任务类，“帮我约张三开个会”、“我要请假”、“帮我申请退货”。
举例
其中，任务类的场景，一般都需要进行2轮或2轮以上的对话来解决用户问题，（U代表用户，B代表机器人），例如：
U：“帮我预定一张明天去北京的火车票”
B：“好的，请问您从哪个城市出发？”
U：“杭州吧”
B：“ok，已经为您找到以下火车票，请您选择”
…
分析
在这个预订火车票的场景中，用户第一句话表达了清晰的预订火车票意图，并且说出了两个关键信息，“明天”是出发时间，“北京”是目的地，但是对比预设好的购票逻辑，还缺失了一个关键信息“出发地”，此时，机器人自动反问，（机器人的反问话术目前是由用户自定义配置的），直到收集齐所有关键信息，机器人就去真正的执行这个任务，比如查询符合条件的火车票，甚至直接帮用户购买一张符合个人喜好习惯的靠窗火车票。
提炼
随着越来越多的对话场景开发上线，逐步受到广大用户的青睐，如果想推动整个智能对话机器人的发展更加迅速，必须要借助一些符合行业规范、能够提高工作效率、甚至能够理清思路的好工具、好平台。对此提出几点要求：
高度抽象复杂对话中的基本元素，使其能够成为所有对话构建的基石。
找到元素之间组装和拼接的规律，帮助对话开发者或者对话运营人员理清思路，找到方法，驾驭智能对话。
简单高效易用，降低新手成本，一些通用的对话原材料，尽可能多的预置好，开箱即用。
欢迎走进chatbot智能对话的新世界。
- 本页导读 （0）