除卻自然語言理解，對話機器人應該如何通過產品設計來變得更加優秀？本文將通過幾個核心的產品設計技巧為您介紹如何讓對話機器人更加優秀。

話接前文《?機器人是如何實現對話的？》，在上一篇文章中，梳理總結了如何打造一個對話機器人的完整流程，以及給大家介紹了整一個對話機器人設計所涉及的核心功能。

而本文，則將在上文的基礎上（如何打造一個對話機器人），與大家分享另一個話題：如何讓一個對話機器人設計的更優秀？

一、知識挖掘：解決一個企業沒有成體系知識庫的難題

對話機器人，有一個很重要的任務就是為各類用戶排憂解惑；而要做到排憂解惑，機器人就必須事先掌握相關的知識，即用戶可能會問的問題以及這些問題的答案。

對于一些大企業來說，由于多年的規范管理與積累，一般都會有一個成體系的知識庫：總結了在服務客戶的過程中，客戶常問的問題，以及這些問題的答案。

但是，對于一些中小企業，或者管理不規范的大企業（還真別笑，市值千億的大企業，客服部門都沒有成體系的知識庫這類事情我碰到了好幾回），服務客戶的過程是沒有成體系的知識庫的，都是靠大家口口相傳，自我學習。

所以針對這部分企業來說，想要解放人力，引入對話機器人，第一步需要解決的問題就是知識庫的問題。

而這個問題又可以分為兩類：

• 第一類是有著豐富的人工服務經驗，只是一直未把這些經驗總結梳理；
• 第二類是從未有過任何的服務經驗，一切從零開始。

對于后者，系統無法很好的輔助知識總結；但對于前者，只有客戶的服務記錄還在，就可以通過系統輔助人工做知識的總結和梳理。

下面將通過一個具體來說明系統是如何幫助企業梳理過往服務記錄，并整理成知識庫的。

1. A企業常年通過企業QQ連接客戶和客服人員，多年來的對話記錄全部存在QQ后臺，可通過后臺系統直接導出所有的客戶對話記錄。
2. 有了對話記錄后，可通過系統，把所有相似的問題進行分組與整合，并給出這些問題（或者叫問法）分組的關鍵詞——知識挖掘
3. 通過標注師對這些問題分組進行校驗，校驗這些分組是否正確，是否需要調整，并在此基礎上生成一條條知識——對問題分組建立一條標準問題，并給出該問題的答案。

如圖，這個是我之前的產品原型，涵蓋了從知識材料的上傳到算法的解析（相似問題分組），再到人工標注的過程。

整個功能的設計核心思路在于：利用分類算法，把相似的問題進行分組，并提取問題分組的關鍵詞，最后交給標注師做問題的創建與檢驗。

整個過程對企業來說最大的價值在于系統通過歷史數據幫助企業完成過往經驗的總結。因此，最核心的部分也正是算法解析的部分，這部分一般使用文本聚類的方法，由于術業有專攻，筆者在此不展開描述。

二、知識發現：解決機器人知識庫更新的難題

就像一個孩子去上小學，他所懂得的知識一定是一個逐漸增長的過程，而對話機器人的知識庫也是一樣的。

我們一開始雖然設置了一版的知識庫，但是在服務客戶的過程中，他必定會遇到一些無法解答的問題。而承認自己的無知只是求知的第一步，第二步，我們需要對我們的無知進行填充，填補這塊知識的空白。這樣，在以后遇到相同的問題的時候，我們的機器人就不再啞口無言了。

順著上面這個思路，我們系統需要補充的一個功能就是知識發現：

1. 系統對所有無法回答的問題進行梳理與整合，而在這里，所謂的系統無法回答的問題，即針對這個問題，系統給出的答案最高的準確率低于某個水平的，我們則視為系統無法回答的問題。
2. 系統對這些問題按照相似程度進行分組，然后提取出對應問題分組的關鍵詞。
3. 標注師對這些系統已經完成了初步整理的“未知問題”進行標注：如果這個問題在知識庫中已經存在，只是系統無法識別而已，那我們就把這個問題放到已有的知識中就好；如果這個問題是原來的知識庫沒有的，那我們就需要新建一條知識來完成這部分空白的填充。

長此以往這樣不斷的迭代下去，我們的機器人幾乎就可以做到在當前領域無所不知，知無不言的地步了（當時是夸張的說法啦>.<）。

但從這樣一個解決問題的思路來看，我們也不難發現：利用這種原理的知識庫和機器人，無法回答超出自身認知意外的問題，以及無法從自身已有的知識上進行推理，得到新的知識（回答新的問題）——而這個推理與認知能力，也正是我們生而為人所最寶貴的能力。

所以那些擔心機器人超越人類智商的小伙伴們，只要現在的人工智能還是在走現有路徑，即從歷史數據中學習以往的經驗（機器學習流派），那它將永遠無法達到超越人類的境界。

而當前業內公認的，也許能夠讓機器實現知識的推理與認知的，被討論的最多的就是知識圖譜了；但是，也只是也許而已。

因為當前知識圖譜所謂的知識推理，更多的也只是遵從人的所設定的規則來進行推理罷了，這個以后我們在講到知識圖譜這個領域的時候再講。

三、對話端的優化：讓客戶用的更加省心

以上的技巧都屬于系統后臺端的設計技巧，那接下來我們來講講真正和客戶進行對話交互的對話端又有哪些設計技巧能夠讓機器人更加優秀的。

1. 常見問題推薦

對于常見問題推薦這點我們廢話不多說，直接上圖：

顧名思義，就是在客戶打開對話界面的時候，把全網內，用戶最常問到的問題擺出來，讓用戶自己去選擇，去點擊，省卻了輸入的繁瑣，多給用戶節省精力和時間啊~

而這中做法的好處可不止上面這點：

• 一方面更高效幫用戶解決問題：能讓用戶點的就不要讓用戶輸，這點我們不再多說。
• ?另一方面減少用戶輸入導致的識別錯誤：這點其實也是很重要的一條收益，只要用戶輸入，天知道用戶會輸入什么內容？再加上打錯字呢？這時候機器人就很容易出錯了；而點選這個操作，則大大的降低了這樣一個風險。

2. 輸入提示

輸入提示指的是，在用戶輸入文字的過程中，提示一些常見的問題。就有點類似用戶邊輸入，系統同時在幫忙搜索對應問題一樣，用戶只要輸入幾個關鍵詞，就能找到自己想要詢問的問題了。然后直接點擊問題就可以看到答案。

這種做法的好處也是顯而易見的：

• 提高用戶提問效率：用戶不需要輸入完整的問題，只需要輸入部分關鍵詞，即可找到想要詢問的問題
• 減少錯誤識別率：用戶通過這種方法，系統推薦相關問題給用戶點選，就大大的減少了用戶輸入文本時的內容不確定性，以及說錯誤拼寫等文本問題，自然就大大降低了系統的識別錯誤問題。

3. 低閾值問題推薦

低閾值，指的是系統對于用戶的提問，給出答案時的準率較低情況（通俗點說就是對于用戶提出的這個問題，系統所給出的答案，正確的把握不高）。

此時，對話機器人不會直接給出答案，而是給出一系列用戶可能想要詢問的問題供用戶選擇；而系統給出這些問題也是有講究的：這些問題可能就是用戶想要問的問題，只是系統判斷后，用戶問這些問題的可能性介于一定的范圍之間，而這個準確率的范圍剛好不高不低，如40-60%。

而這里就有一個問題：遇到這種情況為什么系統不能直接就回答了呢？

還需要用戶點選，這不是很麻煩嗎？非也非也，如果在這種情況下，系統沒有很高的正確回答用戶問題的把握就沖動的把答案呈現在用戶面前，很容易就造成了答非所問的尷尬——通俗點說就是不懂裝懂。

但如果是換做上面這種做法，對于沒有太大把握的問題，系統承認自己不會，且給用戶提供了選擇——這就大不一樣了，承認自己不會，并盡自己能力給出建議，這樣，用戶的感受會好很多。

4. 轉人工兜底

轉人工，顧名思義，就是服務客戶的角色從機器人轉換成了我們的人工客服：

而說到轉人工，其實本質上分為了兩種不同轉接方式的：

• 主動轉人工：即客戶主動點擊轉人工按鈕，請求真人服務。
• 靜默轉人工：即機器人識連續多次無法解決用戶問題或者檢測到用戶的憤怒情緒時靜默自動轉人工

至于說一些大老板們有時會問的一些問題：既然我都用了智能客服，我們能夠把這個主動轉人工或者這個靜默轉人工的功能去掉嗎？

老實說——不能。

對于一些復雜場景，例如我的信用卡突然間刷不動了。我自己都不知道原因，交給機器人的話，大概率是沒法回答的。

此外，對于機器人來說，永遠都會有無法回答的問題，而客戶也知道他是機器人，問一兩次也就不和機器人計較了，心情也還是平靜的。

但是，如果現在我手上信用卡莫名其妙被刷了一萬塊，你一個機器人問啥也不懂，還不退下給我來個人解決下這事情，那真是恨不得那把四十米長刀趕過去銀行當面質問——對于無法回答的問題機器人靜默轉人工，避免了客戶的憤怒；或者說機器人識別出來客戶的憤怒，靜默轉人工。

四、小結

好了，對話機器人的設計技巧到這里就先告一段落了，若需更多的小技巧，各位小伙伴可以上網去找更多的資料，這里只是給大家闡明這樣一個思路。

以上講了那么多，我們不難看出：很多都是產品設計上的一些技巧，和我們一聽到這個話題（對話機器人）時的第一感覺（大家一聽到這個話題必定先想到的時背后的NLP）有點不一樣。

是的，這就是我想要在最后講的內容。

全球范圍內，在自然語言理解領域的成就都是有限的，要知道語言就是知識的傳遞以及認知的外在表現，是我們人類之于全球生物最大的不同點所在，也是我們人類文明的基石。

所以當前的人工智能離真正的語言理解還是很遙遠的；但我們也不用過度的沮喪。

算法層面，萬里長征我們也已經開始了第一步；而產品設計層面，我們通過一些產品設計的小技巧，讓我們當前的技術為人類提供一些基礎的服務，享受科技的成果——在智能對話領域，產品人能做的，還有很多。

本文由 @王掌柜 原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議