我国对话机器人行业现状分析 赛道快速升温 金融为主要下游应用领域

技术

简介

自然语言处理

自然语言处理可分为自然语言理解、对话管理、自然语言生成三个部分, 其关键是要让计算机“理解”并“生成”自然语言;自然语言处理技术的处理流程需经过获取语料、语料预处理、特征工程、特征选择与模型训练，实现机器与人的对话交互。近年来,深度学习技术的大量使用和不断突破极大推动自然语言处理技术的落地发展。

语音技术

语音技术主要分为语音识别、语音合成和声纹识别三类。在人机对话流程中，语音识别和语音合成技术支撑着对话内容从语音到文本，从文本到语音的相互转换。声纹识别为通过声音判别说话人身份的技术，可广泛应用在金融公安等领域以提升业务及系统安全性。全双工是实时的、双向的语音信息交互技术。对比于原来人机交互时语音流必须错开的对话状态，全双工技术更加模拟人类的交谈过程，即人与机器均可以同时说话,机器在与用户交谈时可以边听边想，实时生成回应并控制对话节奏。目前，多家语音厂商在持续投入全双工语音技术的研发。

知识工程

FAQ

FAQ,全称为Frequently Asked Questions (常见问题集的问答系统)，作为基础发展的问答系统，被对话机器人厂商广泛使用。FAQ Based知识库的建立方法为基于业务文档资料整理标准问题、相似问题与其相应答案。当问题输入后,系统会在知识库内查询与之相匹配的问句并输出对应回答。由于中文含义的丰富性,传统文本匹配方法(信息检索中的BM25,向量空间模型VSM)通常很难直接根据关键字匹配或者基于机器学习的浅层模型来确定问题的相似度。近几年，利用神经网络，尤其是深度学习模型学习文本中深层的语义特征，对文本做语义表示后进行语义匹配的方法被应用于FAQ问答系统。基于深度学习的模型可大量节省人工提取特征所需的人力物力。此外,相比于传统方法，深度文本匹配模型可从大量样本中自动学习文本之间的内在规律和表示层次，使FAQ知识库的文本匹配更加精细。

知识图谱

基于知识库内容间存在关联，或为上下位关系。约束关系，递进关系等，由此在知识库的概念下引入知识图谱技术。基于自然语言理解对文字内容在语义上进行初步认知和自动抓取，经由知识图谱对概念间的关系属性进行联结、转换，进行知识融合与知识加工形成行业知识图谱。行业知识图谱可分为通用知识与垂直行业知识图谱:通用知识图谱注重横向广度，知识积累和问答应用相对通识广泛;垂直行业知识图谱注重纵向深度，考虑到不同的应用场景与业务背景，通常需要以大量一线行业数据去“喂养”对话机器人,实现基础词库储备,并对垂直行业知识图谱进行持续深化。

文档问答

文档问答是基于机器阅读理解直接从非结构化文档中提取答案的方法。近年来基于深度神经网络的机器阅读理解( Machine Reading Comprehension, MRC )技术得到快速发展。MRC模型以问题和文档为输入，通过阅读文档内容来预测问题的答案。根据需要预测的答案形式不同,阅读理解任务可以分为填空式.多项选择式、片段抽取式和自由文本式，由前到后的预测难度逐步提升。

RPA

RPA是Robotic Process Automation (机器人流程自动化)的简称,是指可以模拟人类在计算机等数字化设备中的操作，并利用和融合现有各项技术减少人为重复、繁琐，大批量的工作任务,实现业务流程自动化的机器人软件。对话机器人可以实现“拟人化"交互，理解用户意图，而RPA则可根据交互后的意图指令进行自动化操作，快速提升产品的服务质量与任务效率。对话机器人与RPA技术结合可解锁更多的应用场景，以最少的人工干预高效高质地完成处理任务，带来业务流程自动化的良性循环。