本篇文章给大家谈谈电话机器人架构组成，以及电话机器人是什么对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。
本文目录一览：
1、电销机器人是什么？
2、想自己做机器人外呼系统,线路,怎么组装
3、无线电话是靠什么工作的，电话里的主要组成部分是那个零件
4、腾讯算法高级研究员陈松坚：智能问答技术及其应用
5、电话机器人是什么？
电销机器人是什么？
电销机器人，是一种AI机器人智能语音呼叫系统，是一种智能电话机器人，模仿真人打电话，真人语音，每天拔打电话量高达2000到3000不等,工作效率非常高。当今房地产、金融、贷款、保险、装修等行业都非常适合使用电销机器人。
为各电销行业提供一款全自动化的智能电销机器人
1、可以自动直找客户号码,自动找手机号码;
2、智能设置自动执行每天拨打任务安排,实现自动拨打号码;
3、支持本人语音话术录制,实时训练全程智能应答,真实真人智能交流，介绍产品等公司相关业务;
4、语境语意即时算法,准确捕捉客户意图,实现自动判断智能回复;
5、灵活多变的缔结方式，自动引导客户需求;
6、综合分析通话内容,智能标识用户需求，自动对接人工坐席,实现自动转接;
7、根据预设客户意向标注,自动匹配判断客户意向需求;
8、通过过程自动录音,自动归类,自动统计时长，自动推送工作报告,实现客户智能分类管理;
9、自动设定约访,回访时间,自动启动电话回访或提醒人员根据,实现意向客户自动跟踪.
想自己做机器人外呼系统,线路,怎么组装
自己做机器人外呼系统线路和组装的方法分别是：
1、线路：由于机器人外呼系统线路难以自己研制只能选择运营商线路。提供方包括三大运营商、集成线路商。这是我们打电话出去要交电话费，必须涉及的供应商。
saas服务平台。即用户可以注册、登录、缴费、上传呼叫列表、发起外呼任务、外呼结果查看的网站。这个是终端用户唯一可以看得到的前端界面。
2、组装：以呼叫中心技术系统为基础，将计算机的信息处理功能、数字程控交换机的电话接入和智能分配、自动语音处理技术、 Internet技术、网络通信技术。
商业智能技术与业务系统紧密结合在一起，将公司的通信系统、计算机处理系统、人工业务代表、信息等资源整合成统一、高效的服务工作平台 。
机器人外呼系统的AI能力对接是：
在具体落地中，这个领域的常规参与者通常具备呼叫中心能力或者AI能力其中一种，而主要的对接点也就在于AI能力与呼叫中心设备去对接，而ASR/TTS与呼叫中心设备对接的常规协议主要是mrcp/sip。
媒体资源控制协议（Media Resource Control Protocol, MRCP）是一种通讯协议，用于语音服务器向客户端提供各种语音服务(如语音识别和语音合成)。有两个版本的MRCP协议，版本2使用SIP作为控制协议，版本1使用RTSP。
实际对接的时候，会遇到不少技术问题，有的呼叫中心厂商会要求ASR/TTS引擎做私有云部署，这样避免了内外网穿透时防火墙的诸多设置和语音流的时延。这对基于语义起家（并购买语音能力）的公司是一个小小的难题。
无线电话是靠什么工作的，电话里的主要组成部分是那个零件
一、手机的工作原理：
一般来说，我们普通用户只要学会如何使用好手机就可以了，对于其具体的工作原理不必仔细深究；然而在使用手机的过程中，由于各种因素的影响，手机不可避免地要出现故障，如果每次遇到故障哪怕是最微小的，都送到专业维修店去修理，您可能会觉得麻烦。如果您有相当的电器知识的话，您可能想自己学着修理，但要学修理，必须先熟悉手机的工作原理，只有这样才能判断发生的故障原因，并找出相应的解决方法。同时，了解手机的工作原理对于普通人来说也可以作为一种知识的储备。为了能帮助这些喜爱手机的用户快速学会修理，笔者就以摩托罗拉手机为例，来详细介绍一下手机到底是如何工作的。
手机之所以能相互通信，笔者认为它是由三部分协调工作的结果，这三部分分别为射频部分、逻辑部分和电源部分，要了解手机的工作原理其实只要了解这三部分是如何工作的就可以了，下面笔者就对这三个部分的工作原理进行分别地介绍。
射频部分
通常射频部分，又是由接受信号部分和发送信号部分组成。手机在接受信号时，首先利用天线把接收到的935-960MHz的射频信号，经U400、SW363，将发射信号的接收信号分开，使收发互不干扰。从U400的第四脚输入第五脚输出，进入接收前端回路。U400的工作状态受第三脚电位的控制，而第三脚电位又受到来自CPU的TXON、RXON信号的控制。经过天线开关的射频信号首先经过带通滤波器FL451的滤波，再送入高频放大管Q418进行放大，Q418的输出经FL452滤波后送Q420混频管进行混频。而本机振荡信号由RXVCO产生，并以FL453滤波后送Q420的基极进行混频，取其差额，从Q420的集电极输出153MHz的中频信号，经FL420滤波后得到153MHz纯净的中柴油机信号，现经Q421放大后送U201的31脚，153MHz的中频信号与153MHz的载波信号在32D53内解调产生RXI和RXQ模拟基带信号，经U201的46#和48#送U501的14#和15#。在U501内经A/D转换后送数字信号处理器做进一步的处理。153MHz的载波由U201的41#、42#、43#接外围电路所构成的306MHz振荡电路，形成306MHz卉波信号，经二频后形成153MHz载波。对于发送部分，从501的21#、22#、23#、24#输出的TXIN、TXIP、TXQN、TXQP发射频带信号进入U201的61#、62#、63#、64#。U201的6#、7#、10#外接一个216MHz的VCO，产生216MHz的载波信号，该信号经U201内的分频器分频产生108MHz的发射中频信号。四路调制信号在U201内完成108MHz载波调制从第4脚输出到U300的4#。U300完成发射取样信号与TXVCO相温柔频，取其差额得108MHz信号与4#输入的TXIF鉴相，产生鉴相误差电压，从第8脚输出去控制变容二极管CR300的容量来改变TXVCO的振荡频率，从Q300的C极输出890-915MHz的发射信号经Q301前级放大和Q302推动后进入功放Q302，放大后的信号进入天线U400的第1脚，再从U400的4#送天线发射出去。
逻辑部分
在逻辑部分，接收的RXI、RXQ模拟基带信号在调制解调器U501内部完成D/A转换、解密及自适应均衡后将数字基带信号从U501的6#送入CPU的10#，在CPU内进行信道解码，去掉纠错码源以及取实控制信息以后，恢复的话音数据流经数据线和地址线，传送到语音器U801进行解码。产生的数字话音信号从U801的78#送到PCM解码器U803的8#。数字话音信号在PCM解码器内完成减压以及A/D转换，再通过数字音量定位器，对接收信号、音量进行调整，再由U803的4#，输出模拟音频信号到U900的6#和21#。6#输入的振铃信号，经内部的振铃驱支放大以后，从U900的4#、5#输出去驱动振铃器发间音频信号，从21#输入，经内部的音频放大器以后，从19#、20#输出放大的话音信号去推动听筒发声。 当我们用户在讲话时，话音经听筒的声电转换以后送入电源集成电路U0-的9#，经内部的音频放大以后，从10#输出放大的模拟音频信号。该信号在送到PCM编解码器U803的18#在U803内部完成PCM编码。从13#输出PCM信号送到语音编码器801的89#，在U801内进语音数据线和地址线将话音数据液流磅到中央处理器U701，话音数据流在U701完成信道编码以后，经U701的11#送到调制解庙器U501的4#，信号在U501内进行D/A转换，加密等处理以后，将产生的四路调制信号TXIP、TXIN、TXQP、TXQN送到收发中频电路U201，以产生发射中频ITX、IF信号。
电源部分
至于电源部分，我们一旦给手机装上电池以后，电子Q999打通；同时32D54的48#与电源正极接通，此时我们如果再按一下开机键，U900的24#变为低电平，U900的稳夺输出四路电压分别为R275V、L2.75V、R4.75V、L5.0V。第30#产生复位信号和第27#产生开机申请信号。由32D53和13MHz晶体以及变压二极管共同构成13MHz时钟振荡器产生13MHz时钟，在32D53内部整形和放大以后从第59#输出送缓冲接口电路U703的17#，又从U703的第37#送CPU的50#送开机维持信号到U900的29#，维持正常开机。另外Q202、Q203的集电极电压均为2.75V，供给32D53内部接收或发射电路的电源。U900第3#送出的L5.0V给负电压产生电路供电。版本，SIM卡和PCM编解码器U803也是L5.0V供电。U900第28#送出的R2.75V电压给所有逻辑模块供电。U900第28#送出的2.75V电压供给射频部分。U900第41#送出的R4.75V电压给收发中频电路32D53代电，U900第37#输出的VXW转换电压给Q202和Q203的发射极供电。
由于各个手机的型号和出产厂商不一样，上面介绍的工作原理可能不适用于某些手机，但大致的工作流程应该是一样的。
二、手机制造相关知识
现在的手机已经渐渐脱离了单纯通讯工具的身份，逐渐转变成为一个多媒体和信息的终端设备，未来日常的沟通、娱乐、理财等活动，都是可以透过手机来进行。当大家在每一次看到一部新奇而又拥有高性能、鲜亮的外观设计的手机出现时，各位是否有这样的好奇心，这样的手机到底是怎么设计和制造出来的呢？
所以今天我们尝试用一个技术的客观角度，来简单描述手机设计部门的构造与及部门与部门之间的关系，最后向大家展示手机由制造到面世前的种种测试，好让大家更进一步了解手机，更加珍惜你的爱机，或许你日后不会轻易的更换它了吧！
一、手机的设计流程
用一个较简单的阐释，一般的手机设计公司是需要最基本有六个部门：ID、MD、HW、SW、PM、Sourcing、QA。
1、ID(Industry Design)工业设计
包括手机的外观、材质、手感、颜色配搭，主要界面的实现与及色彩等方面的设计。
例如摩托罗拉“明”翻盖的半透明，诺基亚7610的圆弧形外观，索爱W550的阳光橙等。这些给用户的特别感受和体验都是属于手机工业设计的范畴，一部手机是否能成为畅销的产品，手机的工业设计显得特别重要！
2、MD(Mechanical Design)结构设计
手机的前壳、后壳、手机的摄像镜头位置的选择，固定的方式，电池如何连接，手机的厚薄程度。如果是滑盖手机，如何让手机滑上去，怎样实现自动往上弹，SIM卡怎样插和拔的安排，这些都是手机结构设计的范畴。繁琐的部件需要MD的工作人员对材质以及工艺都非常熟识。
摩托罗拉V3以 13.9mm的厚度掀起了手机市场的热潮，V3手机以超薄为卖点，因为它的手机外壳材质选择十分关键，所以V3的外壳是由技术超前的航空级铝合金材质打造而成。可以这样说，特殊外壳材质的选择成就了V3的成功。
另外有个别用户反应在使用某些超薄滑盖手机的时候，在接听电话时总能感觉到手机前壳的左右摇动，这就是手机结构设计出了问题，由于手机的壳体太薄，通话时的扬声器振动很容易让手机的机身产生了共振。
3、HW(Hardware) 硬件设计
硬件主要设计电路以及天线，而HW是要和MD保持经常性的沟通。
比如MD要求做薄，于是电路也要薄才行得通。同时HW也会要求MD放置天线的区域比较大，和电池的距离也要足够远，HW还会要求ID在天线附近不要放置有金属配件等等。可想而知一部内置天线的设计手机，其制造成本是会较一部外置天线设计的手机贵上20-25%，其主要因素就是天线的设计，物料的要求与及电路的设计和制造成本平均都是要求较高一些。
通常结构设计师(MD)与工业设计师(ID)都会有争论，MD说ID都是画家，画一些大家做不出来的东西，而ID会说MD笨，不按他们的设计做，所以手机卖得不好。所以，一款新的手机在动手设计前，各个部门都会对ID部门的设计创意进行评审，一个好的ID一定要是一个可以实现的创意，并且客户的体验感觉要很好才行。当年摩托罗拉V70的ID就是一个很好的实现创意例子，后期市场的反应也不错，而西门子的Xelibri的创意虽然也很好，也可实现，但可惜的是最终客户的使用感觉并不好，所以一个真正好的创意，不但要好看，可实现，而且还要好用。
另外HW也会与ID吵架，ID喜欢用金属装饰，但是金属会影响了天线的设计以及容易产生静电的问题，因此HW会很恼火，ID/MD会开发新材料，才能应付ID的要求。诺基亚8800就是一个好例子，既有金属感，又不影响天线的接收能力。
4、SW(Software)软件设计
相对来说，SW是更容易为大家所理解，由于计算机的普及，让我们最大程度地接触了各种各样的软件，手机操作界面的模式，大家经常看到的手机九官格操作菜单的实现，这都是SW设计的范畴。
SW要充分考虑到界面的可操作性，是否人性化，是否美观的因素。SW的测试非常复杂，名目繁多，SW的测试不仅只是在寻找Bug，一致性的测试、兼容性的测试等都是非常重要的项目，在目前“内容为主”的信息时代，软件才是手机的最终幕后支柱，硬件的驱动是软件来实现，软件和硬件的工程师之间的冲突相信是不会比其它部门少，这种关系的绕来绕去，所以便需要有PM(Project Management)项目管理来协调了。
5、PM(Project Management)项目管理
大规模公司的PM都分得非常细致，比如TPM (Technologly Of Project Management)，即专门管技术的PM，而普通的PM，只管理项目的进度各协调工作，PM这个部门通常存在于那些自己设计，自己生产，自己销售手机的公司，AM（Account Manager）的职位恐怕大家都不陌生，作为客户经理，对公司内部是代表客户提出要求，对外则代表公司的整体形象，在两者之间起着不可或缺的桥梁作用。
6、Sourcing资源开发部
资源开发部的员工要不停地去挖掘新的资源，如新材质、新的手机组件、测试器材等，当手机开始试产时，他们要保证生产线上所需要的所有生产物料齐备。
手机进行小批量试生产，考察的不仅是软/硬件的成熟度，还包括考察生产工艺和生产的测试技术，有些手机在进行到这个阶段时，却通过不了这一关的话，最后是以失败告终。于是这款新设计的手机便不会出现在市场上了，而投入的开发资金和人力却付之流水，是一个极大的损失。
7、QA(Quality Assurance)质量监督
QA部门负担起整个流程质量保证的工作，督促开发过程是否符合预定的流程，保证项目的可生产性，有很多新设计的手机，就因为碰上了不可生产的某种因素而放弃了。
生产一部手机不是在实验室内做实验那么简单，一旦生产就是成千上万部，要保证每一部产品的优质绝非一件简单容易的事。生产一部手机的样品和生产10万部手机完全是两码子事。
举例：中国的菜馆出的都是样品，麦当劳做的是产品，所以麦当劳可以做得很大，而且到目前为止，中国的菜馆暂时还没有做到像麦当劳的规模是事实，所以手机设计公司才会建立起很多流程来防止出现设计研制出来的手机却不能投入生产的情况。
不仅如此，一款手机的成功上市，能够卖个满堂红，仍然是需要与大众手机用户有亲密的接触，并且经过用户的反馈以及快速的改善才能成功。
二、鲜为人知的手机测试项目
1、压力测试
用自动测试软件连续对手机拨打1000个电话，检查手机是否会发生故障。倘若出了问题，有关的软件就需要重新编写了。所以有时候手机上会出现不同的软件版本存在的情况，其实告诉大家一个秘密，手机的版本越多，这可以证明该手机在推出发售前，未经过充分的测试工作便发售了。
2、抗摔性测试
抗摔性测试是由专门的Pprt可靠性实验室来进行，0.5m的微跌落测试要做300次/面(手机有六个面)。而2m的跌落测试每个面需各做一次，还仿真人把手机抛到桌面，而手机所用的电池，也要经过最少4m的高度，单独的向着地面撞击跌落100次而不能有破裂的情况出现。
3、高/低温测试
让手机处于不同温度环境下测试手机的适应性，低温一般在零下20摄氏度，高温则在80摄氏度左右。
4、高湿度测试
用一个专门的柜子来作滴水测试，仿真人出汗的情况(水内渗入一定比例的盐分)，约需进行30个小时。
5、百格测试(又称界豆腐测试)
用H4硬度的铅笔在手机外壳上画100格子，看看手机的外壳是否会掉下油漆，有些要求更严格的手机，会在手机的外壳上再涂抹上一些“名牌”的化妆品，看看是否因有不同的化学成分而将手机的油漆产生异味或者掉漆的可能。
6、翻盖可靠性测试
对翻盖手机进行翻盖10万次，检查手机壳体的损耗情况，是用一部翻盖的仿真机来进行，它可以设置翻盖的力度、角度等
7、扭矩测试
直机用夹具夹住两头，一个往左拧，一个往右拧。扭矩测试主要是考验手机壳体和手机内面大型器件的强度。
8、静电测试
在北方地区，天气较为干燥，手摸金属的东西容易产生静电，会引致击穿手机的电路，有些设计不好的手机就是这么样突然损坏了。进行这种测试的工具，是一个被称为“静电枪”的铜板，静电枪会调较到10-15KV的高压低电流的状况，对手机的所有金属接触点进行放电的击试，时间约为300ms-2s左右，并在一间有湿度控制的房间内进行，而有关的充电器(火牛)也会有同样的测试，合格才能出厂发售。
9、按键寿命测试
借助机器以给设定的力量对键盘击打10万次，假使用户每按键100次，就是1000天，相当于用户使用手机三年左右的时间。
10、沙尘测试
将手机放入特定的箱子内，细小的沙子被吹风机鼓吹起来，经过约三小时后，打开手机并察看手机内部是否有沙子进入。如果有，那么手机的密闭性设计不够好，其结构设计有待重新调整。
此外，手机的测试还包含了更多更离奇的测项目，比如把手机放在铁板上打电话加以测试，由于此时磁场发生了变化，什么情况都会发生，例如寻找不到SIM卡等。
用铁丝在手机底部连接器内拨来拨去，主要是要考虑到手袋内有锁匙的情况下，是否会令手机出现短路的问题。
还有故意把充电器/电池反接测试，看看手机的保护电路设计是否能正常运作，靠近日光灯打电话的测试，人体吸收电磁波比例的测试，以及靠近心脏起博器打电话的测试等等，上述所提及的各种测试都是不可少的。
腾讯算法高级研究员陈松坚：智能问答技术及其应用
随着人工智能的飞速发展以及广泛落地应用，越来越多的设备将会被植入智能问答技术，人机交互场景随处可见，智能问答在未来将会成为一个非常重要的入口。
腾讯小知凭借着业界领先的智能AI引擎算法和海量大数据仓库，已将智能问答技术落地实施，并且经过大量的业务考验和优化，知识点匹配度和准确率都已达到90%以上，在2018 年 GITC 全球互联网技术大会上，腾讯小知荣获年度互联网最具价值产品奖。
腾讯小知算法负责人陈松坚也在会场发表了关于智能问答技术原理及其在To B场景下的应用的专题演讲，从自己的角度为我们展现智能问答技术的最新成果。
他首先从智能问答是什么，为什么和怎么做的三个问题出发，阐明了他对当前智能问答技术的定位和价值，首先，现阶段的智能问答是信息检索技术的升级，是量变而未达到质变。但是无论在To B还是To C的场景下，当前的技术都能够切实解决一些用户的痛点，提升用户体验，是亟待推进和充满想象的方向。
在回答怎么做这个问题时，他详细介绍了几种不同的问答机器人的实现路径，包括单轮问答机器人，多轮问答机器人及阅读理解机器人。其中重点阐述了单轮问答机器人的实现原理，包括字面匹配，词向量匹配，深度语义匹配，迁移学习等技术。
此后他还分享了小知团队将上述技术产品化的经验，包括智能客服机器人和电话机器人两大块，主要分享了当前产品的形态，亮点和实际项目中取得的一些成果。
最后，他简单总结了小知目前完成的工作以及就智能问答的发展提出了自己的几点看法。
--------------------------------------------------------------
以下是演讲稿全文：
各位下午好，很高兴今天能在这里给大家做分享报告。先介绍一下，我们腾讯小知是致力于为政府和各行业提供一揽子智能问答解决方案的团队，目前已经落地的包括基于文本的智能客服机器人和基于语音的电话机器人等。
在大多数人的认知里，智能问答很可能是以上的3个印象，2011年打败了人类取得问答竞赛冠军的waston;2017年被沙特授予公民身份的机器人sofia;更为大家熟知的钢铁侠中的机器人管家jarvis。在大家心目中，智能就意味着能够像真人一样交流。然而作为从业者，很遗憾地告诉大家，目前的技术还远没有达到这个目标，我认为本质上目前的智能问答技术是对信息检索技术的一次升级，是量变而未到质变。这个皇冠上的明珠还等待我们去摘取。
既然问答技术还不成熟，那为什么还要投身到这个领域呢。我想从To B和To C两个角度去回答。对企业来讲，当前的问答技术虽然无法解答复杂的咨询，但是大部分的简单的头部问题是可以比较好的解答的。从本轮AI大潮NLP赛道的几名种子选手都从智能客服这个方向切入就可以看出企业是确实存在对智能问答的刚性需求。而对普通用户来讲，一方面siri等语音助手每天都在为用户提供便捷的交互界面，另一方面像amazon echo这一类的智能家居产品也逐步进入千家万户，成为物联网生态的中心入口之一，这便是智能问答的价值所在。
那如何实现智能问答机器人呢?我们先来看最基本的单轮问答机器人的实现原理。
熟悉搜索引擎的朋友会发现这个架构跟搜索引擎的很类似。单轮问答一般来说就是FAQ问答，是基于业务问答对组成的问答库进行检索匹配。其中FAQ问题集包含多个相似问法供用户问题去匹配。预处理阶段一般会进行文本纠错，标准化和底层NLP特征提取;召回阶段会在倒排索引中召回若干个候选问题(粗排)，而最后的匹配阶段会基于各种模型进行匹配打分并返回得分最高的结果(精排)。匹配阶段还会引入其他模块，如知识图谱和拒识模型，目的是辅助提升匹配的最终准确率。
retrieval中的匹配可以看做是naive solution，词袋+VSM, 筛选候选够用了，但是精排需要更精致的策略，第一，要利用监督信息做拟合，我们构建基于问题对的训练语料，拟合是否匹配这个二分类目标。第二，特征上抛弃稀疏的词袋模型，而是构造各种相似度来做base scorer，然后利用非线性的抗噪能力强的xgboost来做融合，比如我们用到词bigram, 字bigram, 核心词，名词等特征集合的相似度。这种方法的优缺点是一体的，由于模型只学习字面相似的特征，因此不受领域影响，通用性强，适合用在冷启动阶段;但也因为只考虑字面相似，无法处理更深层的语义匹配。
那如何度量语义的相似呢。词向量技术的兴起是语义匹配的前提，所谓词向量，是将孤立的传统的token表示映射到相互关联的向量空间中，这种关联性，或者说是相似性，是通过词语的上下文的来描述的。也就是说，上下文越相似的词语，他们的语义就越相似，词向量的欧式距离就越近。这是很容易理解的，更妙的是，通过对向量进行简单加减运算，能够呈现出概念的关系，比如king-man+woman的结果非常接近于queen, 因此说明词向量能够一定程度刻画语义。那对句子如何做向量表示呢?一个简单的想法是直接求和平均，WMD是另一个比较有意思且有效的做法，他将计算句子到句子的相似度建模成一个运输的问题，把句子p的各个词，运输到q的各个词上，也可以说是变换;运输成本是词向量的cosine相似度，而要运输的是各个词在句子中的权重，用线性规划求解一个最优解，即为p到q的距离。另外还有个有效的方法是SIF，思路是做词向量加权求和，但是突显出句子中非通用的部分，即权重用词频倒数来计算权重，实验效果也很不错。
上面的方法有一个问题就是没有利用有监督信息，所以效果有明显的天花板。下面介绍这个工作是基于深层网络做有监督学习的匹配的，做法也比较简单，首先把句子文本用one-hot编码，假如词典大小是500K，那编码完长度就是500K维，其实等于是词袋模型，然后输入到一个多层的神经网络去学习，最终得到一个128维的向量作为句子的语义表示，然后用cosine计算两个句子与文档的相似度作为模型输出。这个方法其实是将高维稀疏的token特征映射到低维语义空间，跟词向量的思路很类似，只不过训练目标不同，并且这里使用了深层网络结构。
但是CNN对上下文的处理能力依赖于窗口大小，远距离就没办法处理了，因此要考虑另一种网络单元RNN，这种单元是专门为时序模型量身打造的，简单来说，每一时刻t上的隐藏状态，或者说第t个词上的语义编码，都由两个输入共同决定，即上一时刻的隐藏状态和当前时刻的原始输入，而为了解决远距离传递导致的梯度消失和梯度爆炸等问题，RNN有一些变种结构来应对，比如 LSTM和GRU等。
CNN和RNN都是对原始输入进行语义编码的基本单元，编码后的向量就可以接入多层感知机进行相似度计算，如果是直接计算cosine相似度，那就是dssm的升级版，而更常见的做法是把两个句子的编码向量拼接在一起，再经过一个多层感知机计算相似度，而这种方法统称为表达式建模;
另一种方案考虑到两个句子之间的交互信息对学习他们是否匹配显然更为重要，这一类方案被称为交互式建模，右边是一个典型的例子，他最大的不同是首先对两个句子的所有窗口组合进行拼接和卷积，得到交互信息。然后再进行多次卷积和池化得到表示。其他的交互方式还包括编码之后，进行交互操作，如作差，点乘等，还有计算attention表示，也是常见的交互方式。
下面介绍我们的方案，跟上面介绍的模型相比，我们的方案主要做了两处改动，一个是使用了稠密连接的网络结构，让rnn层的输入和输出拼接在一起做为下一层的输入，第二个是混合注意力机制，即在计算attention向量进行交互式建模的基础上，增加self-attention向量计算，然后把两个attention向量经过门机制进行融合，这样做一方面引入了问句间的交互信息，同时又增强了对自身的表达建模。
上面的模型是比较复杂的模型，参数量有5.8M。在实际中应用中训练语料会严重不足，为了解决这个问题，我们引入了迁移学习的策略。首先第一种是多任务联合学习，比如在拟合两个问句是否匹配的同时，也对问句进行分类预测;另外还可以同时对匹配的问题对做seq2seq的翻译模型训练。这两个策略都证明能有效提升准确率。
而另一个思路更加直观，即引入其他领域的语料，所谓多语料迁移。Fine-tune即参数微调是其中一种做法，即先用通用语料训练网络，固定底层表达层的参数，然后再使用领域语料调整上层参数;另一种思路参考了对抗学习的思想，即引入一个新的任务“混淆分类器”去判别当前样本是来自源语料还是目标语料，通过在损失函数中增加反向的混淆分类损失项，让混淆分类器尽可能地无法区分样本的来源，从而保证共享了参数的表达网络能够学习到两部分语料中共性的部分。
以上的介绍都是为了完成一个基本的单轮对话机器人，而实际应用中，往往存在需要需要交互的场景，比如查询社保余额，就需要用户提供指定信息，如姓名，身份证号，手机号等。这种是所谓任务导向型机器人，而另一种，基于知识图谱的机器人也往往会涉及到多轮交互。这里简单介绍一下多轮对话机器人的架构，整体上是一个对话管理系统，总的来说是管理会话状态，包含4个模块，分别是输入部分：自然语言理解模块NLU，负责意图识别和抽取槽位实体，比如这里匹配到了意图是查询社保余额，抽取到了社保号1234。得到的意图和槽位值会送入到对话状态追踪模块，DST，他负责会话状态的更新，形式化来说是一个函数，输入是当前状态s和当前的query经过NLU处理过得到的意图和槽位值q, 输出新的状态s‘，下一步是把s’送入DPL，对话策略模块，这个模块是根据新的状态s‘输出行动a，通常这个决策选择会依赖于一个外部数据库或知识图谱，最后，由输出部分，自然语言生成模块NLG负责将行动转换为自然语言文本，返回给用户。
前面提到的单轮FAQ机器人，有一个问题是问答准确率依赖于问答库的质量，而问答库的构建耗时费力，所以针对数据较大的非结构化文档，如果可以直接从中抽取答案，是非常理想的做法。比如斯坦佛大学开源的drQA，就是基于wikipedia的语料做的一个开放域上的问答机器人，我们来看看这种阅读理解机器人的架构示意，他也是基于检索重排的思路，首先把可能的文段从语料库中摘取出来，然后送入阅读理解模型进行答案定位，打分，排序和选择得分最高的答案。阅读理解模型与匹配模型是类似的，需要先对问题和候选文段进行编码表示，不同之处在于最终预测的目标是答案的起始和结束位置。我所在的团队在去年，在阅读理解的权威公开测评Squad v1中取得过第一的成绩，同时参加这个测评的包括了google, facebook, 微软，阿里idst, 科大讯飞等国内外同行。说明业界对这种技术还是非常看重的。
下面分享小知在把以上技术落地产品化的经验。首先我们来看看小知的整体架构图，核心引擎有两部分，一块是上面重点阐述的深度语义匹配模型，另一块是本次分享没有展开的知识图谱引擎，在此之上，我们构建了FAQ机器人，多轮会话机器人(任务机器人)，闲聊机器人等。以下是我们单轮和多轮机器人的示例。
在我们实际的落地项目中，得益于深度迁移模型的语义匹配能力和行业知识图谱的的精准匹配和辅助追问，小知机器人能够做到95%左右的问答准确率，并且节省了50%以上的服务人力，切实为政府和企业提升效率和降低成本。
在智能客服的基础上，我们又打造了基于语音的电话机器人，力主融合智能客服，人工在线客服，工单系统和电话机器人，为客户打造从售前售中售后的整体解决方案。
以下是电话机器人的整体架构图，核心是自然语言理解NLU模块，负责识别用户提问意图
提取相关实体。根据NLU输出的结果，内置的对话管理引擎会进行流程状态流转和跟踪。
另外，ASR语音识别和TTS语音合成是不可或缺的重要服务，这三个模块相互协作，共同完成与用户的交互。
最后对智能问答的未来发展提几点我的看法。目前学术界比较公认的一个方向是，需要更有机地结合模型和规则，而在问答领域，规则的一大组成部分就是知识图谱，包括开放领域的知识图谱和专业领域知识图谱。而更进一步地，我们需要研究带有推理性质的事理型知识图谱去描述领域内的规则和知识，让机器人能够处理带有复杂条件的问题，提供更智能的回复。在我看来，智能问答的一个突破口就在于解决以上三个问题。以上就是今天分享的内容，谢谢大家。
主讲人介绍：
陈松坚，腾讯数据平台部算法高级研究员，有着8 年的 NLP 研发经验，2017 年加入腾讯 TEG 数据平台部，负责智能客服产品腾讯小知的算法规划和落地。负责过多个智能客服项目，对封闭领域的智能问答有丰富的实战经验。
电话机器人是什么？
电话机器人主要就是用来模拟人工通话的一组程序电话机器人架构组成，一般由电话机器人架构组成，CRM系统，语义识别，转换文字，话术体系，这是软的部分，再加上底层软交换和通信模块一起，合并起来就是一套完整的电话机器人系统。
电话机器人架构组成的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于电话机器人是什么、电话机器人架构组成的信息别忘了在本站进行查找喔。
咨 询 客 服