今天給各位分享電話機器人技術原理圖的知識，其中也會對電話機器人是什么東西?進行解釋，如果能碰巧解決你現在面臨的問題，別忘了關注本站，現在開始吧！

本文目錄一覽：

什么是電話機器人？

真的是電話機器人導致更多的騷擾電話嗎？不，電話機器人是電話營銷，不是騷擾電話！

在中國，電話營銷業務從1999年開始應用；2001年開始應用于電話外呼，以數據庫清洗、市場調查、客戶關懷及尋找潛在客戶為主；2003年，電話營銷呈現飛速發展的趨勢，以銷售電信產品、軟件、信用卡為主。

隨著市場經濟的發展，越來越多的企業都采用了以電話營銷方式為主的營銷模式，事實也證明目前市場上最快速、最有效、最簡便的營銷模式仍然是電話營銷。

當前，人工智能科技發展的飛速發展，也給電話營銷行業帶來了新的變革——電話機器人。然而，電話機器人并不是代替電話營銷人員，而是幫助電話營銷人員做意向客戶的篩選工作，從而提高電話營銷的工作效率。

未來5年，甚至是未來10年，電話營銷依然是主要營銷模式，也會因科技而更高效。

電話機器人是怎么工作的？

電話機器人的工作原理其實就是模仿人工話務員撥打電話，可以簡單的分成三個環節：聽見對話、理解對話、回答對話。

聽見對話：

當電話機器人撥通電話之后，聽到用戶說的話并識別出對話內容（運用語音識別技術，將語音轉化為文字）

理解對話：

當電話機器人接收到文字信息后，再理解用戶所表達的意思（運用自然語言處理技術，將單個文字或者上下文溝通文字理解成完整的一句話）

回答對話：

當電話機器人理解了用戶的問題后，再回答客戶的問題（運用TTS技術個性化合成接近真人聲音的語音或者是根據問題提前錄制好真人聲音的語音）

這樣就完成了一輪簡單的人機交互（提問和回答），所以電話機器人本質原理和人工打電話是沒有區別的。

電話機器人就是利用人工智能批量給客戶打電話 篩選出意向客戶，解放人力，代替人去做那些重復而又繁雜的事，讓人回歸到人本身當中，去做更多具有創造性的事。

在客戶心中，怎么樣發揮呼狗電話機器人的最大價值呢?很多人認為，呼狗電話機器人就應當集中在銷售能力當中，比如線索的鎖定等功效場景。

但其實，呼狗電話機器人應當更注重一些泛營銷領域的服務場景，比如通知、回訪、調研、沉默用戶激活等場景下的應用，這些場景下，人工的成本是非常高的，且效果往往差強人意。因素在于人工的情緒可控性更差，而呼狗電話機器人則全部不同。

呼狗電話機器人在通知場景下，會給更精準的記錄下用戶的準確反饋和是不是接通。因為大數據的應用，呼狗電話機器人更符合該場景的應用，為何會這么呢?人工智能最大的好處在于數據的記錄與輸出，而呼狗電話機器人則有著恰如其分的天賦。它不但能夠獨立完成通知場景的業務，還能夠在后續的服務中，開始幫助治理者進行有效的數據呈現和整理。

而在回訪、調研和沉默用戶調研的場景下，也是這么，通過對數據精準的記錄采集和有效的自動溝通，智能呼狗電話機器人能夠將最后的結果進行標準化輸出，從而輸出相關內容給到操作者，對下一步的策略具有指導性效果。

乍一聽，呼狗電話機器人首先給人的印象就應當是電銷場景相關工作，但實則，呼狗電話機器人還是能夠更多的運用在泛營銷場景當中。

電話機器人的工作原理其實很簡單：它主要根據語音識別技術來進行工作。實際上，電話機器人的學習能力很強，上線時做好話術分析、制作，上線后經過一定時期（2-3周)的優化，就會成為一名中高級電話銷售人員，再加上后續持續的優化，他會越來越聰明。

電話機器人工作時，首先將客戶可能會問到的行業相關的一些問題和答案整理好并錄制到話術庫中，等到客戶提出問題后，電話機器人可以自己匹配相應答案；如果客戶沒有問題，電話機器人也會自己提出問題等待客戶回答，這樣一問一答的過程中，電話機器人就輕松判斷出客戶意向了。

電話機器人的誕生最初就是為了把人類從簡單重復的繁瑣工作中解放出來，而不是完全代替人類的工作。它在工作時，會根據目標客戶的意向程度進行等級的分類并記錄在系統后臺，人工只需再跟進電話機器人選中的意向客戶進行訂單的促成即可。

隨著人工智能的飛速發展以及廣泛落地應用，越來越多的設備將會被植入智能問答技術，人機交互場景隨處可見，智能問答在未來將會成為一個非常重要的入口。

騰訊小知憑借著業界領先的智能AI引擎算法和海量大數據倉庫，已將智能問答技術落地實施，并且經過大量的業務考驗和優化，知識點匹配度和準確率都已達到90%以上，在2018 年 GITC 全球互聯網技術大會上，騰訊小知榮獲年度互聯網最具價值產品獎。

騰訊小知算法負責人陳松堅也在會場發表了關于智能問答技術原理及其在To B場景下的應用的專題演講，從自己的角度為我們展現智能問答技術的最新成果。

他首先從智能問答是什么，為什么和怎么做的三個問題出發，闡明了他對當前智能問答技術的定位和價值，首先，現階段的智能問答是信息檢索技術的升級，是量變而未達到質變。但是無論在To B還是To C的場景下，當前的技術都能夠切實解決一些用戶的痛點，提升用戶體驗，是亟待推進和充滿想象的方向。

在回答怎么做這個問題時，他詳細介紹了幾種不同的問答機器人的實現路徑，包括單輪問答機器人，多輪問答機器人及閱讀理解機器人。其中重點闡述了單輪問答機器人的實現原理，包括字面匹配，詞向量匹配，深度語義匹配，遷移學習等技術。

此后他還分享了小知團隊將上述技術產品化的經驗，包括智能客服機器人和電話機器人兩大塊，主要分享了當前產品的形態，亮點和實際項目中取得的一些成果。

最后，他簡單總結了小知目前完成的工作以及就智能問答的發展提出了自己的幾點看法。

--------------------------------------------------------------

以下是演講稿全文：

各位下午好，很高興今天能在這里給大家做分享報告。先介紹一下，我們騰訊小知是致力于為政府和各行業提供一攬子智能問答解決方案的團隊，目前已經落地的包括基于文本的智能客服機器人和基于語音的電話機器人等。

在大多數人的認知里，智能問答很可能是以上的3個印象，2011年打敗了人類取得問答競賽冠軍的waston;2017年被沙特授予公民身份的機器人sofia;更為大家熟知的鋼鐵俠中的機器人管家jarvis。在大家心目中，智能就意味著能夠像真人一樣交流。然而作為從業者，很遺憾地告訴大家，目前的技術還遠沒有達到這個目標，我認為本質上目前的智能問答技術是對信息檢索技術的一次升級，是量變而未到質變。這個皇冠上的明珠還等待我們去摘取。

既然問答技術還不成熟，那為什么還要投身到這個領域呢。我想從To B和To C兩個角度去回答。對企業來講，當前的問答技術雖然無法解答復雜的咨詢，但是大部分的簡單的頭部問題是可以比較好的解答的。從本輪AI大潮NLP賽道的幾名種子選手都從智能客服這個方向切入就可以看出企業是確實存在對智能問答的剛性需求。而對普通用戶來講，一方面siri等語音助手每天都在為用戶提供便捷的交互界面，另一方面像amazon echo這一類的智能家居產品也逐步進入千家萬戶，成為物聯網生態的中心入口之一，這便是智能問答的價值所在。

那如何實現智能問答機器人呢?我們先來看最基本的單輪問答機器人的實現原理。

熟悉搜索引擎的朋友會發現這個架構跟搜索引擎的很類似。單輪問答一般來說就是FAQ問答，是基于業務問答對組成的問答庫進行檢索匹配。其中FAQ問題集包含多個相似問法供用戶問題去匹配。預處理階段一般會進行文本糾錯，標準化和底層NLP特征提取;召回階段會在倒排索引中召回若干個候選問題(粗排)，而最后的匹配階段會基于各種模型進行匹配打分并返回得分最高的結果(精排)。匹配階段還會引入其他模塊，如知識圖譜和拒識模型，目的是輔助提升匹配的最終準確率。

retrieval中的匹配可以看做是naive solution，詞袋+VSM, 篩選候選夠用了，但是精排需要更精致的策略，第一，要利用監督信息做擬合，我們構建基于問題對的訓練語料，擬合是否匹配這個二分類目標。第二，特征上拋棄稀疏的詞袋模型，而是構造各種相似度來做base scorer，然后利用非線性的抗噪能力強的xgboost來做融合，比如我們用到詞bigram, 字bigram, 核心詞，名詞等特征集合的相似度。這種方法的優缺點是一體的，由于模型只學習字面相似的特征，因此不受領域影響，通用性強，適合用在冷啟動階段;但也因為只考慮字面相似，無法處理更深層的語義匹配。

那如何度量語義的相似呢。詞向量技術的興起是語義匹配的前提，所謂詞向量，是將孤立的傳統的token表示映射到相互關聯的向量空間中，這種關聯性，或者說是相似性，是通過詞語的上下文的來描述的。也就是說，上下文越相似的詞語，他們的語義就越相似，詞向量的歐式距離就越近。這是很容易理解的，更妙的是，通過對向量進行簡單加減運算，能夠呈現出概念的關系，比如king-man+woman的結果非常接近于queen, 因此說明詞向量能夠一定程度刻畫語義。那對句子如何做向量表示呢?一個簡單的想法是直接求和平均，WMD是另一個比較有意思且有效的做法，他將計算句子到句子的相似度建模成一個運輸的問題，把句子p的各個詞，運輸到q的各個詞上，也可以說是變換;運輸成本是詞向量的cosine相似度，而要運輸的是各個詞在句子中的權重，用線性規劃求解一個最優解，即為p到q的距離。另外還有個有效的方法是SIF，思路是做詞向量加權求和，但是突顯出句子中非通用的部分，即權重用詞頻倒數來計算權重，實驗效果也很不錯。

上面的方法有一個問題就是沒有利用有監督信息，所以效果有明顯的天花板。下面介紹這個工作是基于深層網絡做有監督學習的匹配的，做法也比較簡單，首先把句子文本用one-hot編碼，假如詞典大小是500K，那編碼完長度就是500K維，其實等于是詞袋模型，然后輸入到一個多層的神經網絡去學習，最終得到一個128維的向量作為句子的語義表示，然后用cosine計算兩個句子與文檔的相似度作為模型輸出。這個方法其實是將高維稀疏的token特征映射到低維語義空間，跟詞向量的思路很類似，只不過訓練目標不同，并且這里使用了深層網絡結構。

但是CNN對上下文的處理能力依賴于窗口大小，遠距離就沒辦法處理了，因此要考慮另一種網絡單元RNN，這種單元是專門為時序模型量身打造的，簡單來說，每一時刻t上的隱藏狀態，或者說第t個詞上的語義編碼，都由兩個輸入共同決定，即上一時刻的隱藏狀態和當前時刻的原始輸入，而為了解決遠距離傳遞導致的梯度消失和梯度爆炸等問題，RNN有一些變種結構來應對，比如 LSTM和GRU等。

CNN和RNN都是對原始輸入進行語義編碼的基本單元，編碼后的向量就可以接入多層感知機進行相似度計算，如果是直接計算cosine相似度，那就是dssm的升級版，而更常見的做法是把兩個句子的編碼向量拼接在一起，再經過一個多層感知機計算相似度，而這種方法統稱為表達式建模;

另一種方案考慮到兩個句子之間的交互信息對學習他們是否匹配顯然更為重要，這一類方案被稱為交互式建模，右邊是一個典型的例子，他最大的不同是首先對兩個句子的所有窗口組合進行拼接和卷積，得到交互信息。然后再進行多次卷積和池化得到表示。其他的交互方式還包括編碼之后，進行交互操作，如作差，點乘等，還有計算attention表示，也是常見的交互方式。

下面介紹我們的方案，跟上面介紹的模型相比，我們的方案主要做了兩處改動，一個是使用了稠密連接的網絡結構，讓rnn層的輸入和輸出拼接在一起做為下一層的輸入，第二個是混合注意力機制，即在計算attention向量進行交互式建模的基礎上，增加self-attention向量計算，然后把兩個attention向量經過門機制進行融合，這樣做一方面引入了問句間的交互信息，同時又增強了對自身的表達建模。

上面的模型是比較復雜的模型，參數量有5.8M。在實際中應用中訓練語料會嚴重不足，為了解決這個問題，我們引入了遷移學習的策略。首先第一種是多任務聯合學習，比如在擬合兩個問句是否匹配的同時，也對問句進行分類預測;另外還可以同時對匹配的問題對做seq2seq的翻譯模型訓練。這兩個策略都證明能有效提升準確率。

而另一個思路更加直觀，即引入其他領域的語料，所謂多語料遷移。Fine-tune即參數微調是其中一種做法，即先用通用語料訓練網絡，固定底層表達層的參數，然后再使用領域語料調整上層參數;另一種思路參考了對抗學習的思想，即引入一個新的任務“混淆分類器”去判別當前樣本是來自源語料還是目標語料，通過在損失函數中增加反向的混淆分類損失項，讓混淆分類器盡可能地無法區分樣本的來源，從而保證共享了參數的表達網絡能夠學習到兩部分語料中共性的部分。

以上的介紹都是為了完成一個基本的單輪對話機器人，而實際應用中，往往存在需要需要交互的場景，比如查詢社保余額，就需要用戶提供指定信息，如姓名，身份證號，手機號等。這種是所謂任務導向型機器人，而另一種，基于知識圖譜的機器人也往往會涉及到多輪交互。這里簡單介紹一下多輪對話機器人的架構，整體上是一個對話管理系統，總的來說是管理會話狀態，包含4個模塊，分別是輸入部分：自然語言理解模塊NLU，負責意圖識別和抽取槽位實體，比如這里匹配到了意圖是查詢社保余額，抽取到了社保號1234。得到的意圖和槽位值會送入到對話狀態追蹤模塊，DST，他負責會話狀態的更新，形式化來說是一個函數，輸入是當前狀態s和當前的query經過NLU處理過得到的意圖和槽位值q, 輸出新的狀態s‘，下一步是把s’送入DPL，對話策略模塊，這個模塊是根據新的狀態s‘輸出行動a，通常這個決策選擇會依賴于一個外部數據庫或知識圖譜，最后，由輸出部分，自然語言生成模塊NLG負責將行動轉換為自然語言文本，返回給用戶。

前面提到的單輪FAQ機器人，有一個問題是問答準確率依賴于問答庫的質量，而問答庫的構建耗時費力，所以針對數據較大的非結構化文檔，如果可以直接從中抽取答案，是非常理想的做法。比如斯坦佛大學開源的drQA，就是基于wikipedia的語料做的一個開放域上的問答機器人，我們來看看這種閱讀理解機器人的架構示意，他也是基于檢索重排的思路，首先把可能的文段從語料庫中摘取出來，然后送入閱讀理解模型進行答案定位，打分，排序和選擇得分最高的答案。閱讀理解模型與匹配模型是類似的，需要先對問題和候選文段進行編碼表示，不同之處在于最終預測的目標是答案的起始和結束位置。我所在的團隊在去年，在閱讀理解的權威公開測評Squad v1中取得過第一的成績，同時參加這個測評的包括了google, facebook, 微軟，阿里idst, 科大訊飛等國內外同行。說明業界對這種技術還是非常看重的。

下面分享小知在把以上技術落地產品化的經驗。首先我們來看看小知的整體架構圖，核心引擎有兩部分，一塊是上面重點闡述的深度語義匹配模型，另一塊是本次分享沒有展開的知識圖譜引擎，在此之上，我們構建了FAQ機器人，多輪會話機器人(任務機器人)，閑聊機器人等。以下是我們單輪和多輪機器人的示例。

在我們實際的落地項目中，得益于深度遷移模型的語義匹配能力和行業知識圖譜的的精準匹配和輔助追問，小知機器人能夠做到95%左右的問答準確率，并且節省了50%以上的服務人力，切實為政府和企業提升效率和降低成本。

在智能客服的基礎上，我們又打造了基于語音的電話機器人，力主融合智能客服，人工在線客服，工單系統和電話機器人，為客戶打造從售前售中售后的整體解決方案。

以下是電話機器人的整體架構圖，核心是自然語言理解NLU模塊，負責識別用戶提問意圖

提取相關實體。根據NLU輸出的結果，內置的對話管理引擎會進行流程狀態流轉和跟蹤。

另外，ASR語音識別和TTS語音合成是不可或缺的重要服務，這三個模塊相互協作，共同完成與用戶的交互。

最后對智能問答的未來發展提幾點我的看法。目前學術界比較公認的一個方向是，需要更有機地結合模型和規則，而在問答領域，規則的一大組成部分就是知識圖譜，包括開放領域的知識圖譜和專業領域知識圖譜。而更進一步地，我們需要研究帶有推理性質的事理型知識圖譜去描述領域內的規則和知識，讓機器人能夠處理帶有復雜條件的問題，提供更智能的回復。在我看來，智能問答的一個突破口就在于解決以上三個問題。以上就是今天分享的內容，謝謝大家。

主講人介紹：

陳松堅，騰訊數據平臺部算法高級研究員，有著8 年的 NLP 研發經驗，2017 年加入騰訊 TEG 數據平臺部，負責智能客服產品騰訊小知的算法規劃和落地。負責過多個智能客服項目，對封閉領域的智能問答有豐富的實戰經驗。

電話機器人的工作原理是什么

簡單的說就是通過語音識別，再抓取關鍵詞出發必要的語音文件或者是話術，這樣也能達到聊天交互的目的，效果也很不錯~

關于電話機器人技術原理圖和電話機器人是什么東西?的介紹到此就結束了，不知道你從中找到你需要的信息了嗎 ？如果你還想了解更多這方面的信息，記得收藏關注本站。