前人工智慧时代是如前所述关键字模版，只能接受固定命令，能力无法持续提升，不能辨识使用者焦虑，没有使用者梦境。如那时的智能耳机，你假如对耳机说“我那时吃很饱”关键字是“吃饭”，耳机就会为你推荐附近的茶楼。当然我们的期许并非这种，期许能用比较好的方式来做。如“我不喜欢吃拉面”，看到语句是两个驳斥无限小数，这并非两个命令句和企图，所以能躲避定送餐那个企图。利用语义认知企图，语义现阶段分为三个层级，第两个是nlp，语句不定式；第一层叫企图认知，“肚子好饿”和“我想吃东西”这两个企图相似；第一层是紧密结合情景、认知使用者焦虑，实现企图辨识。
接下去讲一下感情排序的设计与应用领域，我们做了22种文本情绪，排序出你孤独和无趣的感情要干什么。但仅仅做负、正、中焦虑是不够的，图中红色代表愤怒，红色是痛恨、伤心，粉红色是害怕，都是正面焦虑，但这三种正面焦虑是不那样的，因此机器意见反馈也是不那样的。除此以外还做了9种人脸辨识眼神、4种音频焦虑，将“文本+眼神+音频”形成多逻辑系统感情。这种的意义是什么呢，举个范例如“中考我考了500分”那个这时候你是应该恭贺还是安慰呢，但假如加入说话的语调就完全不那样，音频焦虑表达更多信息。再加上人脸辨识眼神，如一言不发说“你Etah”那个这时候很难判断企图，紧密结合语句，假如都是微笑那是打趣，假如两者在争吵，那个这时候是威胁。
下面是两个多逻辑系统感情范例，下面是人脸辨识眼神，中间是音频焦虑，下面是文本焦虑，图片的正下方是其总焦虑。
有了焦虑接下去是做两个好的机器，那么两个好的机器如何制作呢。现阶段市售的闲聊机器情商在2-3岁，科孔科技的机器在5-6岁，它能查天气、查外卖、查股票、典故造句等40种原生植物功能与专业技能。
再者是知识图谱，机器很多使用者是小朋友，针对同两个问题需要辨识不同问法，辨识什么是疑问句、感叹句。然后做一些推论，如“姚明的老婆有多高”先找到姚明的老婆，然后推出叶莉的身高190cm。“谢霆锋跟陈小春有什么关系”通过知识图谱能推断谢霆锋的前妻的前男友是陈小春，还有“陆奇加入百度之后股价涨还是跌”，知识图谱需要找到“陆奇”是谁，百度是什么，陆奇是哪一天离开的，哪一天百度的股价是多少等等信息然后推断，这些是机器少数能替代人的地方。还有是Bi-attention flow，利用深度学习模型，询问问题，由知识图谱深度模型寻找答案，那个存在缺点是不可控。
闲聊并非随便地聊，好的闲聊需要用主题控制，主题还有阶层关系，如“你喜欢英超哪支球队？”，该问句的主题是运动下面的足球底下的五大联赛的英超，假如回答“我喜欢巴萨”或者“我喜欢蛋炒饭”这些都是不对的。那时对话的主题是体育里面的足球，因此回答应该更强烈的选择与足球相关的，依据主题做对话的控制。那如何做话题的跳转呢，机器主动引导话题跳转，依据你对话中的相关属性来主导话题，或者根据 memory，根据 user profile，根据前面的对话来主导话题。
接下去讲一下语句认知，人不会每次都讲完整的语句，如“Q1：明天我们去看电影好不好? A1：明天有事不行，Q2：那后天呢？”，那后天就代表后天我们去看电影好不好，这种是第一种主谓宾的补全。第二种是指代消减，如“我喜欢大张伟，我也喜欢他”那个他是指大张伟。第三种是话题式，如“Q1：你们有卖净水器吗？A1：有啊Q2：占不占地方啊？ A2：不会，很小的Q3：怎么卖啊？”，根据现阶段的话题进行语句的补全。
两个好的机器还需要一些梦境能力，长时梦境，如“我不喜欢吃辣的”，那么下次推荐餐馆就避免推荐辣的餐馆。永久梦境，我今天肚子不舒服，那么就不能聊大姨妈的事情。短时梦境，一般是48小时到72小时，如“明天要去苏州见张先生”，晚上询问明天要去哪里，回答明天要去苏州。这种是短时知识图谱，放在使用者里面，在你问问句时回答你。
人机对话还有一些“Prediction & Generation”，根据语句去预测下一句话，去预测其主题、企图、keywords、句型、感情变化等。有了句型、关键字，进行造句，根据语句生成或者根据不同的使用者说话习惯来生成。那么如何实现
接下去讲一下NLP模型架构，其中最核心的是中文不定式，不定式不对语义认知肯定错误；然后是词性标注，名词、形容词、副词等标注；还有是句式辨识，如“人民广场怎么走？”，“你喜不喜欢吃苹果？”这些都是语句对话的基础，有的是询问信息，有的是问你个人喜好等。“你在北京买衣服花了好多钱？”和“你上个月在北京买衣服花了好多钱”，两个是疑问句两个是感叹句，说的意思也是完全不同。
如“你好可爱”，假如不定式为“你好”和“可爱”，会认为你是和名叫可爱的人打招呼。那我们怎么做呢，举例说明，如“我明天飞上海，住两天，要如家”，核心动词“飞上海”、“住两天”、“要如家”，核心是“飞、住、要”，“住两天”知道企图是要订酒店。第一种做法是将整个语句丢到两个黑盒子中模型训练得出企图，这种需要大量的基础数据。第二种将语句进行拆分，在丢到模型中训练，这种会简单很多。
如何利用 NLP 的基础信息呢，如“上周买衣服花了多少钱？”，首先知道是两个数量问句，核心动词“花钱买衣服”类别是衣服，时间是上周，通过拆解进行判断。
接下去看一下交互式下一步的变化，现阶段情况67%的使用者决定转人工，并非因为匹配错误，而是【答案看不懂】，25%的使用者决定转人工，并非因为匹配错误，而是【新问题】，只有 8%的使用者决定转人工，是因为算法匹配错误。因此应该采用交互的方式，才能解决主要问题。不是所有的问题都是多轮，只要在某一区域的前二十个问题做到多轮就有很大的提升。第二个机器不再被动，主动和你闲聊，根据你的 image，主动跟你交谈，根据你的 profile，主动跟你交谈。还有是依据机器视觉实现人机对话交互。
紧密结合使用者画像和使用者的多轮对话，作为条件制定策略，进行商品或服务的推荐。
还有两个现阶段比较潮流的是多轮之间的切换-中控中心，如订酒店，找到订酒店机器，然后询问上海是否下雨，还在订酒店情景，但同时命中天气机器，然后询问“那我后天入住，住两个晚上” (回到订酒店机器，继续未完成的情景)。依据多轮对话实现不同机器的切换。
作者如是说
翁嘉颀，科孔智能CTO、联合创始人。熟悉算法、编程语言、搜索引擎、网络安全以及邮件安全，使用过的语言超过35种。作为AI领域的控制技术专家，他带领团队负责科孔在AI领域产品研发与控制技术规划，领域主要涵盖对话机器、排序机视觉、金融科技等领域。
关于我们
DataFun：专注于大数据、人工智慧控制技术应用领域的撷取与交流。发起于2017年，在北京、上海、深圳、杭州等城市举办超过100+线下和100+线上Russey、论坛及峰会，已邀请超过2000位专家和学者参与撷取。
