1 UNIT2.0基本观点参见我之前发的文章2 训练智能对话技术的总体流程 总共分为3个阶段，需求分析并做好前期准备事情→通过UNIT建立最小可用技术模型→连续优化技术模型，详细如下： （1）第1阶段：需求分析。当前阶段需要有熟悉业务的人员到场，例如：产物司理、业务卖力人等。

先分析业务，明确业务中那里需要通过和用户的对话来完成；再确认相关对话逻辑。最后基于之前的分析，从之前沉淀的数据中提取有价值信息，用于后续技术建立与训练；如果是新业务或之前没有准备，也先不用着急，我们可以先完成其他部门，但综合来看，业务中的真实数据是训练技术时最理想的“知识”。

（2）第2阶段，建立&训练技术。当前阶段就是要赋予技术模型对话能力了。赋予技术模型对话能力和教小朋侪说话一样，要先确认教他的知识点，而这些知识点就是技术的意图。基本界说贯注完成后，就需要通过大量的训练题来资助技术模型明白、牢固与影象。

最后，可以通过考试，来检测技术模型的学习结果。当考试及格后，就可以用于实战了，即接入咱们的业务中（API、SDK等）。

（3）第3阶段，连续优化。因着业务水平庞大、用户画像变化等因素，技术之前掌握的只是知识可能不足以应对新市场，这时我们需要通过更多的“训练”与“考试”来资助技术提高能力。

现在技术还无法完全自主学习并提高自己，还需要训练人员辅助。本文将基于旅店服务这一场景，通过搭建旅店智能语音助手技术（下简称旅店助手技术）来解说整个流程。3 需求分析 需求分析是训练智能对话技术举足轻重的一步，需要基于自身业务场景举行深入透彻的思考，从而明确整个对话技术的架构，后续的技术建立与训练事情全部在此架构的基础上展开。

这一步在训练智能对话技术时很容易被忽视，但马虎分析需求即着手训练的技术往往后续需要投入更多的时间和精神举行调整，甚至需要推翻重来；3.1 业务场景分析：确定界限，明确目的3.1.1 挖掘需求，确定界限 首先是对业务场景举行分析，在旅店服务这一场景下存在许多旅店助手“可以做”的业务，我们应当从用户需求和用户体验入手，思考在该场景下用户的刚需，以及如何通过引入对话交互来大幅提升用户体验，从而在大规模的“可以做”的业务中找到其中“必须做”和“应该做”的业务。在旅店服务这一场景下，用户主要的运动空间是在旅店房间内，因此旅店助手的首要目的为尽可能优化用户在旅店房间内的体验，像联系前台、呼叫客房服务这些都是需要优先满足的需求；而设置日程提醒、控制房间内的家电，这些功效通过语音交互来实现可以使用户进一步感受到智能化旅店的舒适和创新；意见反馈有助于收集用户的反馈以不停优化旅店的服务，通过旅店助手的对话来完成可以获得比纸质观察表更高的反馈率。

而关于旅店的常见问题的咨询，也是旅店助手应当实现的功效之一：一方面这些问题对于新入住的主顾而言是切实需要获得解答的，另一方面直接通过对话方式获得问题的解答比传统的从宣传单中查找或是致电询问前台都越发简朴便捷。对于一些超出旅店基本服务以外的拓展服务，如新闻播报、都会导览等功效，可以对用户体验起到一定的提升，但并非强需求，同时需要对接大量的资源库；而我们的目的是首先搭建最小可用技术，因此这部门功效可以先不去开发或低优先级开发。3.1.2 明确目的，确定任务类型 在确定了业务场景的界限之后，我们就需要明确这些功效的目的，从而确定任务的类型，差别的任务类型对应着差别的设置方式；首先我们来相识一下任务类型的分类： 可以看出，任务类型区分的关键在于任务目的的有无以及是否需要把请求参数化；相识了这一点后，我们不难将之前梳理的功效举行分类：3.2 功效界说：确定优先级及关键信息要素 在确定界限和目的后，我们就可以动手对功效举行界说了，在这一阶段，我们需要确定各功效的优先级，并确定每个功效的实体要素。3.2.1 优先级简直定 首先是优先级简直定，其实在确定界限的历程中，我们已经对功效的重要水平和实现难度举行了分析，在此基础上不难确定出功效的优先级：3.2.2 关键信息要素的分析 任务型的对话需要将请求参数化，相应的我们就需要分析要完成每个对话都需要将哪些实体要素参数化，而这些实体要素所对应的正是技术的对话意图及其词槽。

我们以旅店房间内场景下P0优先级的功效为例举行分析，可以梳理出如下的关键信息要素： 可以发现标红部门因为其关键信息要素的重合而发生了意图的合并，详细如那边理相似功效间意图的拆解与合并，我们在下节对话逻辑梳理中展开解说。3.3 对话逻辑梳理：任务型对话的通例与异常情况、问答型的知识分类3.3.1 任务型对话的意图梳理 任务型对话因具有将请求参数化的这一特点，在设置到对话意图时需整体思量该场景下的相似任务和相关任务，在这一阶段将对话任务与意图间的映射关系梳理清晰，可以在后续的设置中到达事半功倍的效果。

以上节中举行了关键信息要素分析的功效为例，在物品需求类型的功效间和智能家电的开关控制中泛起了功效的关键信息要素重合的情况，下面我们划分针对这两类功效举行分析： 1. 物品需求类型功效 在实际的旅店场景中主顾可能发生远比本文列出的示例更多的物品需求，在物品需求与意图之间建设一一映射关系不仅会浪费大量的人力，而且存在拓展性差、差别意图间的query相似性强相互滋扰影响效果的缺点。因此我们接纳合并意图、通过词槽来区分详细物品的方式，这种方式前期事情量小，后期拓展性强（只需调整词槽词典即可增删物品）。但也不行不管三七二十一将所有物品需求合并为同一意图，需要从实际场景出发举行合理的意图合并与区分。

2. 家电控制类型功效 家电控制类型的功效在意图的梳理上与物品需求类型的功效基底细同，在上节的梳理中思量利便未来的拓展，把只有开关指令的设备汇总到一个意图中。注意：本例中假设灯具只有开关两种指令，若存在更庞大的指令如（柔和模式、事情模式……），则需单独设立意图不行合并。

3.3.2 问答型对话的意图梳理 问答型对话没有需要参数化的内容，往往具有牢固的尺度谜底；这类型的对话逻辑梳理其实就是要对问题举行分类，或者叫知识分类。好比旅店的问题咨询可以如下分类：3.4 场景数据收集：在真实场景下用户会怎么问？ 人工智能实现语义明白的历程，和教牙牙学语的小朋侪讲话的历程是相似的：最初他只能懂你教他的一模一样的内容（训练数据量少时泛化能力差），等到教的内容多了之后就可以明白这个意思的差别表达方式（基于大量的训练数据发生泛化能力）。因此我们在收集场景数据时，需要尽可能贴近真实场景下用户的表达方式，最好是从实际业务场景中沉淀下来的真实数据，全面笼罩用户在该场景下可能泛起的表达方式。

关于这些数据收集的技巧在《UNIT 使用技巧与连续优化 https://pan.baidu.com/s/1gyQXvExLka5yjdZr3tUziA 》中有详细的先容，可参考该教程举行数据的收集。4 搭建技术模型-------可拷贝或选择下面红色的文字 在UNIT里一步一步设置出旅店助手技术-------注册百度账号，打开http://unit.baidu.com ，进入UNIT：4.1 新建技术 在UNIT平台搭建对话机械人的第一步是先建立一个技术，只需要输入一个技术名称，很是简朴。技术名称：旅店助手4.2 自界说技术：新建对话/问答意图 建立完后就进入技术界说的阶段，技术又分自界说技术和预置技术，每个技术都是由多个相关的意图组成，这个阶段的新建意图就对应我们需求分析阶段的功效界说。

以需确认数量物品这一功效为例，可以如下转化为意图： 下面展开解说详细操作步骤：4.2.1 新建对话意图 点击【旅店助手】技术，进入技术模块，在自界说技术中【新建对话意图】： 意图名称：ITEM_NUM_NEEDED 意图别名：需确认数量物品4.2.2 添加词槽 添加两个词槽： 1、词槽名：user_item_numneeded，别名：需确认数量物品类型，词典：自界说词典——上传自界说词典文件，必填 第一步是选择【添加方式】，选 「新建自界说词槽」，并设置词槽名（user_item_numneeded）和词槽别名(需确认数量物品类型)， 第二步【上传自界说词典】UNIT平台中词槽的识别依赖词槽对应的词典。支持自界说词典，也可以选择系统预置词典，我们建议在能选择系统词典的情况下只管选择使用系统词典(详见：http://ai.baidu.com/forum/topic/show/869949 )，当系统词典里没有你需要的类型时可以添加自界说词典。

本例中我们希望通过这一词槽来匹配旅店中主顾需要确认数量的物品需求，需要凭据自身需求来添加自界说词典，词典文件花样参考demo下载，这里不做展开先容。词典值：毛巾牙刷水#矿泉水#纯净水浴巾香皂 第三步设置词槽与意图关联属性，在该意图中的物品类型是必须的关键信息，所以我们选择必填。澄清话术就是当用户表达订票需求的语句里缺少出发时间时技术主动让用户澄清的话术。

还可以设置让用户澄清几多轮后放弃要求澄清，默认是3次。2、设置物品数量词槽的流程与上面的步骤基底细同，在选择词典时需打开【系统词槽词典】的开关，然后选择系统词典sys_generic_unit (更富厚的数字+单元，如：一块两毛、三桶、两摞、3千克/立方米) 词槽名：user_item_num，别名：物品数量，词典：系统词典——sys_generic_unit (更富厚的数字+单元，如：一块两毛、三桶、两摞、3千克/立方米)，必填 添加完所有词槽后如下图： 在词槽列表中可以调整词槽澄清的顺序。4.2.3 设置对话回应 对话回应就是当对话识别出用户的意图和所有必填词槽值 时给用户的反馈。有三种回应方式：【回复】、【引导至对话意图】、【引导至问答意图】 这里我们以【回复】为例，设置回复文本内容为："好的，马上为您送到" 设置完成后最终生存意图 注意点：实际落地的时候这里其实需要你在自己的业务代码里判断当前技术剖析的用户意图为需确认数量物品，且用户提供了物品重量、物品数量，这时将这两个词槽值通报到自己的业务治理系统通知到相应服务人员。

引导至对话意图：是当前对话满足一定条件时把当前意图到另一个对话意图，让用户进入另一个意图的对话中。引导至问答意图：是当前对话满足一定条件时把当前意图到另一个问答意图，让用户直接在目的问答意图下提问并获取谜底。

4.2.4 新建问答意图 针对前期分析问答型对话的退票问题 界说一个问答意图 FAQ_PARK，意图别名：停车场相关问题4.3 添加训练数据 完成技术的意图界说后，我们进入建立和训练技术的最重要的第二个环节，给技术添加训练数据，这个阶段用到的正是我们之前收集的真实场景下的数据，在其基础上举行总结和分类，给技术提供1到3种学习数据，让其学习我们界说的技术。在训练数据的选择上，我们应当凭据自身场景中的对话类型和数据收集情况来举行选择：如果你的场景是任务型的又缺少对话样本，这时你就可以先去设置对话模板，快速到达一定效果后再从日志中筛选更多的对话样本；如果你一开始就有对话样本，这时你可以对话模板、对话样本一起上，这样可以快速到达一个更好的效果；而如果你另有问答行的对话时，只要添加问答对就可以了，简朴易上手。4.3.1 设置对话模板 对话模板是基于用户的表达方式归纳出的匹配规则，归纳恰当的对话模板设置起来简朴快速，可以识别多种表达方式，适合短时间内使技术到达可用的对话效果。

同时对话模板的优先级高于对话样本，可用于对对话样本训练效果的优化。在开始设置对话模板之前，我们来明确几个观点：特征词：特征词通常是具有一类特征的词，可用于在对话模板中匹配这一类词。举例：对于“缝补衣服”意图，用户可能会说“我想缝衣服”、“我想补衣服”、“找谁缝补衣服”，那么对应的模板中，可以设置表现缝补的特征词：缝衣服、补衣服、缝补衣服……这些词不需要作为词槽被提取出来提供应业务，仅用于约束模板的匹配，因此使用特征词而非词槽。

口语化词：口语化词将在语义剖析时会被自动忽略掉，以此来提高剖析的精准率。好比通用场景下：嗯我看一下明天的天气吧 --> 明天天气，这里把"嗯、我、看一下、的、吧"等口语化词都去掉了。又好比特定场景里：预定如家旅店 --> 预订如家，在定旅店的场景里省略了 “旅店”， 可以将“旅店”设置为口语化的词。

模板片段：UNIT2.0的对话模板提供了一种很是强大的用法——模板片段。多个模板片段组成一个对话模板，每个模板片段都可以由词槽、特征词、特定文本单独或组合而成，而且多个模板片段可以是无序的，也可以是有序的。

顺序设为0就表现这个模板片段可以泛起在用户query中的任意位置。而非0的，必须根据数字顺序在query中泛起。

此外还可以设置一个模板片段是否必须在用户query中泛起。阈值：它是说当前模板设置的词槽、特征词占用户query的长度比例，当只有这个比例到达这个阈值的时候，我们才会判断用户的query就是这个模板所表现的意图。

明白了这些观点后，我们就可以从真实场景的数据中提炼相应的对话模板了。以需确认数量物品这一意图为例： 我们首先来界说代表对物品的需求的特征词： 在页面较下方找到特征词列表，点击新建特征词，填写下列内容，点击确定生存该特征词：kw_item_want，形貌：物品需求词典值：我想要我要给我拿给我送一下给我送要 完成新建我们所需的特征词后，点击添加对话模板来举行设置： 在选择必须匹配这一项时，因为在用户提到的物品类型为需确认数量物品类型时，我们才会定位到需确认数量物品意图，因此将user_item_numneeded词槽这一模板片段设置为必须匹配，而其余两个模板片段设置为非必须匹配，来保证模板的泛化能力。

现在我们只设置了一条对话模板，当我们有多个对话模板时，它们之间是有优先级的，在对话模板列表的上面的优先级要高于下面的，可以选中一条对话模板，然后执行上移、下移的操作来调整优先级。关于对话模板的更多技巧说明可 下载文档进一步学习相识：https://pan.baidu.com/s/1j6cx9HPuRav1tvOToW2mEA4.3.2 标注对话样本 对话样本是技术通过对海量标注数据的深度学习，获得“明白”相应场景下的对话的能力。这部门我们要把需求分析最后一个阶段收集到的对话数据导入UNIT平台，然后给他们逐条标注意图、词槽。

这部门数据可以用于后续的样本学习，让对话机械人获得更好的对话明白泛化能力。注意机械学习一般对训练样本有数量的要求，几条几十条数据很难训练出令人满足的泛化明白能力，在实际设置时需要海量样本的标注。标注方式参考产物手册，这里不做示例。4.3.3 添加问答对 在建立问答意图FAQ_PARK时，系统已自动建立相应的问答集FAQ_PARK，我们可在其中添加问答对。

问答对有直接在页面上录入和导入问答对数据文件两种方式，本文示例在页面上录入问答对的方式： 点击添加问题，录入问题文本后，再点击添加谜底，录入问题的对应谜底；问题与谜底之间支持多对多的对应关系；问题：停车场在哪车往哪停查询停车场位置那里有停车场谜底：停车场的位置在旅店地下一至三层，您可通过……进入停车场点击生存，生存该问答对。4.5 训练模型 训练技术有两种方式，一种是只训练我们上面设置的对话模板，另外一种是 训练对话样本同时训练对话模板 系统默认必须训练对话模板，岂论你有没有标注对话模板。

如果这时如上图你在对话样本集里使用了默认选项『使用沙盒中的模型』，直接训练模型并生效到沙盒，会需要15~30秒的时间。（首次训练只能选择『使用沙盒中的模型』） 如果如上图在对话样本集选项中选择了『重新选择样本』且选中了有标注样本的样本集，则对应后端的训练讲接纳深度机械学习的计谋举行样本的训练学习，同时也会把标注的模板也融合进来一起训练。这时训练的速度会与标注的对话样本量成正比。

这里需要注意的是一定要选择系统自带的「闲聊负例样本」，这样可以降低技术的误召回情况，就是告诉技术哪些query是闲聊而不是我们设置的意图。4.6 测试体验 完成模型的训练后，就可以在测试窗口测试一下对话，看看对话效果是否切合预期了：。

本文来源：bob真人-www.bianxies.com