（文章來源：讀芯術(shù)）

分析聊天機器人，因其是在現(xiàn)實生活中利用人工智能最流行，被最廣泛采用和使用門檻最低的方式之一。如果你曾經(jīng)使用過客戶支持的在線聊天服務，你可能會發(fā)現(xiàn)你的“聊天對象”很“笨拙”和“呆板”，像個機器人？沒錯，正在和你聊天的“人”可能實際上就是一個機器人。這是聊天機器人和人工智能的時代。有關(guān)這方面的最新進展正在不斷涌現(xiàn)，以至于聊天機器人正在客戶服務領(lǐng)域取代人類。

人工智能已不再僅僅是單純的科幻夢。你曾想過有一天人類與智能機器進行互動和溝通嗎？聊天機器人憑借其智能，擬人化的回答以及學習通過從機器學習中獲得的經(jīng)驗的能力，使這個不切實際的想法變?yōu)榭赡堋Ａ奶鞕C器人是在現(xiàn)實生活中利用人工智能最流行，被最廣泛采用和使用門檻最低的方式之一。企業(yè)將聊天機器人視為使客戶服務和業(yè)務流程自動化的重要工具。

聊天機器人的體系結(jié)構(gòu)模型是根據(jù)開發(fā)的核心目的決定的。聊天機器人有兩種可能的響應類型：依據(jù)機器學習模型從零開始生成響應，或使用啟發(fā)式方法從預定義的響應庫中選擇適當?shù)捻憫Ｔ撃Ｐ陀糜陂_發(fā)本質(zhì)上十分先進的智能機器人。這種聊天機器人很少被使用，因其需要執(zhí)行復雜算法。

產(chǎn)生式模型相對難以構(gòu)建和開發(fā)。培訓此類機器人需要為其提供數(shù)百萬個示例，這將花費大量時間和精力。這就是深度學習模型如何參與對話的方式。但是，模型將生成什么響應仍不能確定。這種體系結(jié)構(gòu)模型的聊天機器人更易于構(gòu)建且更加可靠。雖不能保證100％準確地響應，但可以知道可能的響應類型，并確保聊天機器人不會傳遞不適當或不正確的響應。

目前，基于檢索的模型更多地被使用。開發(fā)人員可以很容易地使用幾種算法和API（應用程序編程接口），以在此體系結(jié)構(gòu)模型上構(gòu)建聊天機器人。這種聊天機器人會考慮消息和會話的上下文，以從預定義的消息列表中提供最佳響應。響應可以通過兩種不同的方式生成：使用if-else條件邏輯或使用機器學習分類器。最簡單的方法是使用預定義的模式來定義一組規(guī)則，以充當框架規(guī)則的條件。人工智能標記語言（AIML）最常用于在聊天機器人開發(fā)過程中編寫模式和響應。

借助自然語言處理渠道和預定義的豐富模式，AIML可用于構(gòu)建智能聊天機器人。這些機器人解析用戶消息，查找同義詞和概念，標記語音部分，并找出與用戶查詢匹配的規(guī)則。但是，除非特別編程，否則這些程序不會運行機器學習算法或任何其他的API。

盡管基于模式的啟發(fā)式算法可提供良好的結(jié)果，但問題在于，它需要手動對所有模式進行編程。這是一項單調(diào)乏味的任務，尤其是當聊天機器人必須區(qū)分數(shù)百種針對不同場景的意圖時。意圖分類完全基于機器學習技術(shù)，該技術(shù)可以訓練機器人。通過聊天機器人最可能面對的數(shù)千個示例的培訓合集，就可以訓練機器人來識別數(shù)據(jù)模式并從中學習。

scikit-learn是一個常用的機器學習庫，可以幫助執(zhí)行機器學習算法。開發(fā)者甚至可以選擇使用api.ai，wit.ai和Microsoft LUIS中的一種云API。最近被Facebook收購的wit.ai是第一個用于聊天機器人的機器學習API。一旦聊天機器人理解用戶消息，下一步就是要生成一個響應。一個方法是生成簡單、不變的響應。另一種方法是獲取基于意圖的模板并插入一些變量。聊天機器人開發(fā)公司根據(jù)使用聊天機器人的目的選擇生成響應的方法。

例如，使用API以獲取給定位置的天氣預報的天氣預報聊天機器人可能說：“今天很可能下雨”或“今天是雨天”或“下雨的可能性為80％，所以今天請帶上雨傘備用?！表憫L格因用戶而異。在這種情況下，機器人可以研究并分析先前的聊天及其關(guān)聯(lián)的指標，為用戶量身定制響應。

從頭開始構(gòu)建完全滿足目的的聊天機器人需要專業(yè)幫助。在購買聊天機器人開發(fā)服務時，推薦從值得信賴的公司購買，且該公司在構(gòu)建能夠提供擬人化響應的聊天機器人方面具有豐富的經(jīng)驗就更好了。
（責任編輯：fqj）