聊天机器人和机器学习

聊天机器人（对话式AI）是一种自动化程序，可通过文本消息、语音聊天来模拟人类对话。它根据大量输入和自然语言处理(NLP)学习如何做到这一点。今天的聊天机器人在社交媒体、电子商务、客户服务甚至医疗保健的许多行业和公司中都是不可或缺的。一些典型的例子是微软的Zo、IBMWatson或Rasa（一种用于构建商业用途的聊天机器人的工具）。

聊天机器人的类型

聊天机器人分为基于规则、基于意图和开放域三种类型。

基于规则的聊天机器人

基于规则的聊天机器人也称为决策树机器人。顾名思义，它们使用一系列已定义的规则。这些规则是聊天机器人熟悉并可以提供解决方案的问题类型的基础。基于规则的聊天机器人可以使用非常简单或复杂的规则，但是他们无法回答定义规则之外的任何问题。这些聊天机器人不会通过交互来学习。

基于规则的聊天机器人有几个好处，例如：聊天机器人不需要大量训练，这使得实施过程更快、更简单。通过预先定义结构和答案，您可以更好地控制聊天机器人的行为和响应。

然而它也有有其局限性，它们的一些缺点是：基于规则的聊天机器人无法捕获拼写错误，这意味着在某些情况下它无法理解客人的意思，这可能会使交流变得无效。与简单聊天机器人交互的直观感觉就是机器人而不是真人对话。他们不能自己学习，这意味着任何改进都需要手动进行。

基于意图的聊天机器人

相比之下，使用机器学习的AI聊天机器人会在回应之前了解问题的上下文和意图。AI聊天机器人是由自然语言处理提供支持的聊天机器人。因此与基于规则的聊天机器人不同，它不会使用关键字来回答，而会尝试了解客人的意图，即客人想要什么。它与客人互动得越多，就越能更好地理解意图，也就越能回答客人的要求。他们的工作方式是捕捉问题或回应背后的意图。

开放域聊天机器人

可以说，基于意图聊天的聊天机器人也是基于人工智能的机器人。这些聊天机器人在半智能或完全人工智能支持的算法上运行。基于GPT-3构建的机器人就是一个完美的例子，它可以理解上下文并完全自行响应。这种类型的机器人更适合复杂种类和大规模查询。

聊天机器人架构

聊天机器人的核心组件包括自然语言处理引擎（NLPEngine）、知识库、问答系统和数据存储。

自然语言处理引擎（NLPEngine）

引擎可以在任何给定时间解释用户所说的话，并将语言转换为系统可以进一步处理的结构化输入。即使聊天机器人是特定于域的，它也需要包含和利用大量信息。而NLP引擎对此有所帮助。它包含先进的机器学习算法来识别用户的意图，并进一步将它们与机器人支持的可用意图列表进行匹配。

知识库

这是回答用户问题的关键部分。问答系统解释问题并从知识库中给出相关答案。它可以手动训练或自我训练。手动训练涉及领域专家创建常见用户查询列表并映射其答案。自动化训练涉及将公司的文件（如政策文件和其他问答类型的文件）提交给机器人，并要求其进行自我训练。引擎从这些文档中提供了一系列问题和答案，然后机器人可以自信地回答。

数据存储

数据存储只是针对以前交互的数据，以提供给NLP引擎，以便机器人在聊天期间保留一些上下文。这对于记住有关用户的知识以进行进一步交互尤其重要。

自然语言处理

聊天机器人中的自然语言处理找到了一种将用户的语音或文本转换为结构化数据的方法。然后用于选择相关答案。自然语言处理包括以下步骤；

• 标记化（Tokenization）：NLP将一系列单词分成具有语言代表性的标记或片段，在应用程序中具有不同的值。
• 情感分析（SentimentAnalysis）：它会研究和学习用户的体验，并在必要时将对话转给人类。
• 规范化（Normalization）：该程序模型处理文本以找出符合用户请求和预期含义中的印刷错误和常见拼写错误。
• 命名实体识别（NamedEntityRecognition）：聊天机器人的程序模型寻找不同类别的词，类似于特定产品的名称、用户的地址或姓名，以需要的信息为准。
• 依赖解析（DependencyParsing）：聊天机器人搜索用户文本中的主语、动词、宾语、常用短语和名词，以发现用户想要传达的相关短语。

行业实例

谷歌的Meena、Replika和微软的Tay是一些聊天机器人行业的例子。

在完成本文的过程中，我们参考了以下几个来源。除此之外，如果您对学习或开发聊天机器人感兴趣，我们欢迎您查看Rasa，这是一个用于开发聊天机器人的流行开源库。

原文链接：https://medium.com/@OverPoweredDev/machine-learning-in-chatbot-development-99a6c011483f