創(chuàng)新探究：智能對話的連接與交互案例分析

過去 20 多年，互聯(lián)網(wǎng)及移動互聯(lián)網(wǎng)將人類帶到了一個(gè)全新的時(shí)代，如果用一個(gè)詞來總結(jié)和概括這個(gè)時(shí)代的話，「連接」這個(gè)詞再合適不過。這個(gè)時(shí)代主要建立了四種連接：第一，人和商品的連接；第二，人和人的連接；第三，人和信息的連接；第四，人和設(shè)備的連接。

「連接」本身不是目的，它只是為「交互」建立了通道。在人機(jī)交互（Human-Computer Interaction）中，人通過輸入設(shè)備給機(jī)器輸入相關(guān)信號，這些信號包括語音、文本、圖像、觸控等中的一種模態(tài)或多種模態(tài)，機(jī)器通過輸出或顯示設(shè)備給人提供相關(guān)反饋信號?！高B接」為「交互」雙方架起了橋梁。

「交互」的演進(jìn)方向是更加自然、高效、友好和智能。對人來說，采用自然語言與機(jī)器進(jìn)行智能對話交互是最自然的交互方式之一，但這條路上充滿了各種挑戰(zhàn)。

如何讓機(jī)器理解人類復(fù)雜的自然語言？如何對用戶的提問給出精準(zhǔn)的答案而不是一堆候選？如何更加友好地與用戶閑聊而不是答非所問？如何管理復(fù)雜的多輪對話狀態(tài)和對話上下文？

在阿里巴巴，我們從 2014 年初開始對智能對話交互進(jìn)行探索和實(shí)踐創(chuàng)新，研發(fā)成果逐步大規(guī)模應(yīng)用在了智能客服（針對阿里巴巴生態(tài)內(nèi)部企業(yè)的阿里小蜜、針對阿里零售平臺上的千萬商家的店小蜜，以及針對阿里之外企業(yè)及政府的云小蜜等）和各種設(shè)備（如 YunOS 手機(jī)、天貓魔盒、互聯(lián)網(wǎng)汽車等）上。

本文將對阿里巴巴在智能對話交互技術(shù)上的實(shí)踐和創(chuàng)新進(jìn)行系統(tǒng)的介紹。首先簡要介紹智能對話交互框架和主要任務(wù)；接下來詳細(xì)介紹自然語言理解、智能問答、智能聊天和對話管理等核心技術(shù)；然后介紹阿里巴巴的智能對話交互產(chǎn)品；最后是總結(jié)和思考。

智能對話交互框架

典型的智能對話交互框架如圖 1 所示。其中，語音識別模塊和文本轉(zhuǎn)語音模塊為可選模塊，比如在某些場景下用戶用文本輸入，系統(tǒng)也用文本回復(fù)。自然語言理解和對話管理是其中的核心模塊，廣義的自然語言理解模塊包括對任務(wù)類、問答類和閑聊類用戶輸入的理解，但在深度學(xué)習(xí)興起后，大量端到端（End-to-End）的方法涌現(xiàn)出來，問答和聊天的很多模型都是端到端訓(xùn)練和部署的，所以本文中的自然語言理解狹義的單指任務(wù)類用戶輸入的語義理解。在圖 2 所示的智能對話交互核心功能模塊中，自然語言理解和對話管理之外，智能問答用來完成問答類任務(wù)，智能聊天用來完成閑聊類任務(wù)。在對外輸出層，我們提供了 SaaS 平臺、PaaS 平臺和 Bot Framework 三種方式，其中 Bot Framework 為用戶提供了定制智能助理的平臺。

圖1 智能對話交互框架

智能對話交互核心技術(shù)

智能對話交互中的核心功能模塊如圖 2 所示，本部分詳細(xì)介紹智能對話交互中除輸出層外的自然語言理解、智能問答、智能聊天和對話管理四個(gè)核心模塊。

圖2 智能對話交互中的核心功能模塊

自然語言理解

自然語言理解是人工智能的 AI-Hard 問題 [1]，也是目前智能對話交互的核心難題。機(jī)器要理解自然語言，主要面臨語言的多樣性、語言的多義性、語言的表達(dá)錯(cuò)誤、語言的知識依賴和語言的上下文（示例見表 1）的五個(gè)挑戰(zhàn)。

表 1 上下文示例

整個(gè)自然語言理解圍繞著如何解決以上難點(diǎn)問題展開。

自然語言理解語義表示

自然語言理解的語義表示主要有分布語義表示 (Distributional semantics)、框架語義表示 (Frame semantics) 和模型論語義表示 (Model-theoretic semantics) 三種方式 [2]。

在智能對話交互中，自然語言理解一般采用的是 frame semantics 表示的一種變形，即采用領(lǐng)域（domain）、意圖（intent）和屬性槽（slots）來表示語義結(jié)果，如圖 3 所示。

圖3 domain ongology 示意圖

在定義了上述的 domain ontology 結(jié)構(gòu)后，整個(gè)算法流程如圖 4 所示。

圖4 自然語言理解流程簡圖

意圖分類

意圖分類是一種文本分類，主要分為基于規(guī)則的方法、基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法和基于深度學(xué)習(xí)的方法，如 CNN[3]、LSTM[4]、RCNN[5]、C-LSTM[6] 及 FastText[7] 等。針對 CNN、LSTM、RCNN、C-LSTM 四種典型的模型框架，我們在 14 個(gè)領(lǐng)域的數(shù)據(jù)集上進(jìn)行訓(xùn)練，在 4 萬左右規(guī)模的測試集上進(jìn)行測試，采用 Micro F1 作為度量指標(biāo)（注：此處的訓(xùn)練和測試中，神經(jīng)網(wǎng)絡(luò)的輸入只包含 word embedding，沒有融合符號表示），結(jié)果如圖 5 所示，其中 Yoon Kim 在 2014 年提出的基于 CNN[3] 的分類算法效果最好。

圖5 四種模型的分類效果對比

單純以 word vector 為輸入的 CNN 分類效果，在某些領(lǐng)域上無法超越復(fù)雜特征工程的 SVM 分類器。如何進(jìn)一步提升深度學(xué)習(xí)的效果，其中一個(gè)探索方向就是試圖把分布式表示和符號表示進(jìn)行融合。比如對于「劉德華的忘情水」這句話，通過知識庫可以標(biāo)注劉德華為 singer、忘情水為 song，期望能把 singer 和 song 這樣的符號表示融入到網(wǎng)絡(luò)中去。具體融合方法，既可以把符號標(biāo)簽進(jìn)行 embedding，然后把 embedding 后的 vector 拼接到 word vector 后進(jìn)行分類，也可以直接用 multihot 的方式拼接到 word vector 后面。分布式表示和符號表示融合后的 CNN 結(jié)構(gòu)如圖 6 所示。

圖6 分布式表示和符號表示融合后的 CNN 分類網(wǎng)絡(luò)結(jié)構(gòu)

經(jīng)過融合后，在 14 個(gè)領(lǐng)域約 4 萬條測試數(shù)據(jù)集上，對比融合前后的 F1 值（如圖 7 所示），從中可以看出，像餐廳、酒店、音樂等命名實(shí)體多且命名形式自由的領(lǐng)域，效果提升非常明顯。

圖7 在 CNN 中分布式表示融合符號表示前后效果對比

在以詞為輸入單位的 CNN 中，經(jīng)常會遇到 OOV（Out-Of-Vocabulary）問題，一般情況下會使用一個(gè)特殊向量（比如固定的隨機(jī)向量或者已知詞向量的平均值）來表示所有的 OOV，這樣做的效果肯定不夠好。在我們的實(shí)現(xiàn)中，引入了 FastText[8] 來訓(xùn)練 word vector，對于 OOV，可以用其 subword 向量計(jì)算得到，有效地解決了 OOV 的問題。

在 效 果 優(yōu) 化 方 面，除了本文中所述的 word vector 的動態(tài)訓(xùn)練和 dropout 之外，通過對訓(xùn)練數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)（data augmentation），效果會有較大的提升。

屬性抽取

屬性抽取問題可以抽象為一個(gè)序列標(biāo)注問題，可以以字為單位進(jìn)行序列標(biāo)注，也可以以詞為單位進(jìn)行序列標(biāo)注，如圖 8 所示為以詞為單位進(jìn)行序列標(biāo)注的示例。在這個(gè)例子中包含 departure、destination 和 time 三個(gè)待標(biāo)注標(biāo)簽；B 表示一個(gè)待標(biāo)注標(biāo)簽的起始詞；I 表示一個(gè)待標(biāo)注標(biāo)簽的非起始詞，O 表示非待標(biāo)注標(biāo)簽詞。

圖8 序列標(biāo)注示例

屬性抽取的方法，包括基于規(guī)則的方法和基于傳統(tǒng)統(tǒng)計(jì)模型的方法，經(jīng)典的如 CRF[9]，以及基于深度學(xué)習(xí)模型的方法。

2014 年，在 ARTIS 數(shù)據(jù)集上，RNN[10] 模型的效果超過了 CRF。此后，R-CRF [11]、LSTM[12]、Bi-RNN[13]、 Bi-LSTM-CRF[14] 等各種模型陸續(xù)出來。

在屬性抽取這個(gè)任務(wù)中，我們采用了如圖 9 的網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)具有以下優(yōu)點(diǎn)。

圖9 屬性抽取網(wǎng)絡(luò)結(jié)構(gòu)

輸入層

在輸入層，我們做了三部分工作：① 采用了分布式表示（word vector）和符號表示（symbol vector）融合的方式，有效利用了分布式的上下文學(xué)習(xí)能力和符號的抽象知識表示能力；② 采用了局部上下文窗口（localcontext window），將窗口內(nèi)的詞的表示拼接在一起送入一個(gè)非線性映射層，非線性映射具有特征學(xué)習(xí)和特征降維的作用；③ 采用了 FastText [8] 進(jìn)行 word embedding 的學(xué)習(xí)，可以有效解決 OOV 的問題。

Bi-LSTM 層

在中間的隱藏層，采用 Bi-LSTM 進(jìn)行特征學(xué)習(xí)，既能捕捉上文特征，也能捕捉下文特征。

輸出層

在輸出層有幾種典型的做法，比如 Bi-LSTM+Softmax、Bi-LSTM+CRF 等，Bi-LSTM+Softmax 是把屬性抽取在輸出層當(dāng)成了一個(gè)分類問題，得到的標(biāo)注結(jié)果是局部最優(yōu)，Bi-LSTM+CRF 在輸出層會綜合句子層面的信息得到全局最優(yōu)結(jié)果。

意圖排序

在表1 中，我們展示了一個(gè)例子，如果不看上下文，無法確定「后天呢」的意圖。為了解決這個(gè)問題，在系統(tǒng)中我們設(shè)計(jì)了意圖排序模塊，其流程如圖 10 所示。對于用戶輸入的 utterance，一方面先利用分類抽取模型去判定意圖并做抽?。涣硪环矫?，直接繼承上文的意圖，然后根據(jù)這個(gè)意圖做屬性抽取。這兩個(gè)結(jié)果通過特征抽取后一起送入一個(gè) LR 分類器，以判定當(dāng)前 utterance 是應(yīng)該繼承上文的意圖，還是遵循分類器分類的意圖。如果是繼承上文意圖，那么可以把這個(gè)意圖及其屬性抽取結(jié)果作為最終結(jié)果輸出；如果是遵循分類器分類的結(jié)果，那么可以把各個(gè)結(jié)果按照分類器分類的置信度排序輸出。

圖10 基于上下文的意圖延續(xù)判定

智能問答

在具體的業(yè)務(wù)場景中有三種典型的問答任務(wù)，一是用戶提供 QA-Pairs，一問一答；二是建立結(jié)構(gòu)化的知識圖譜，進(jìn)行基于知識圖譜的問答；三是針對非結(jié)構(gòu)化的文本，進(jìn)行基于閱讀理解的問答。本文重點(diǎn)介紹我們在閱讀理解方面做的工作，比如利用閱讀理解解決淘寶活動規(guī)則的問答。

在閱讀理解的方法上，目前針對斯坦福大學(xué)的數(shù)據(jù)集 SquAD，有大量優(yōu)秀的方法不斷涌現(xiàn)，比如 match-LSTM[15]、BiDAF[16]、DCN[17]、 FastQA[18] 等。文獻(xiàn) [18] 給出了目前的通用框架，如圖 11 所示，主要分為 4 層：① Word Embedder，對問題和文檔中的詞進(jìn)行 embedding；② Encoder，對問題和文檔進(jìn)行編碼，一般采用 RNN/LSTM/BiLSTM； ③ Interaction Layer（交互層），在問題和文檔之間逐詞進(jìn)行交互，這是目前研究的熱點(diǎn)，主流方法是采用注意力機(jī)制（attention）；④ Answer Layer（答案層），預(yù)測答案的起始位置和結(jié)束位置。

圖11 閱讀理解的通用框架

我們在具體實(shí)現(xiàn)中，參考 BiDAF[16] 網(wǎng)絡(luò)結(jié)構(gòu)，在此基礎(chǔ)上做了大量優(yōu)化。

模型的業(yè)務(wù)優(yōu)化

需要改進(jìn)模型的結(jié)構(gòu)設(shè)計(jì)，使得模型可以支持電商文檔格式的輸入。電商規(guī)則文檔往往包含大量的文檔結(jié)構(gòu)，如大小標(biāo)題和文檔的層級結(jié)構(gòu)等，將這些特定的篇章結(jié)構(gòu)信息一起編碼輸入到網(wǎng)絡(luò)中，將大幅提升訓(xùn)練的效果。

模型的簡化

學(xué)術(shù)文獻(xiàn)中的模型一般都較為復(fù)雜，而工業(yè)界場景中由于對性能的要求，無法將這些模型直接在線上使用，需要做一些針對性的簡化，使得模型效果下降可控的情況下，盡可能提升線上預(yù)測性能，例如可以簡化模型中的各種 bi-lstm 結(jié)構(gòu)。

多種模型的融合

當(dāng)前這些模型都是純粹的 end-to-end 模型，其預(yù)測的可控性和可解釋性較低，要適用于業(yè)務(wù)場景的話，需要考慮將深度學(xué)習(xí)模型與傳統(tǒng)模型進(jìn)行融合，達(dá)到智能程度和可控性的最佳平衡點(diǎn)。

智能聊天

面向 open domain 的聊天機(jī)器人目前無論在學(xué)術(shù)界還是在工業(yè)界都是一大難題，目前有兩種典型的方法：一是基于檢索的模型，比如文獻(xiàn) [19-20]，其基本思路是利用搜索引擎通過計(jì)算相關(guān)性來給出答案；二是基于 Seq2Seq 的生成式模型，典型的方法如文獻(xiàn) [21-22]，其網(wǎng)絡(luò)結(jié)構(gòu)如圖 12 所示。

圖12 Seq2Seq 典型網(wǎng)絡(luò)結(jié)構(gòu)

檢索模型的優(yōu)點(diǎn)是答案在預(yù)設(shè)的語料庫中，可控，匹配模型相對簡單，可解釋性強(qiáng)；缺點(diǎn)是在一定程度上缺乏對語義的理解，且有固定語料庫的局限性，長尾問題覆蓋率較差。生成模型的優(yōu)點(diǎn)是通過深層語義方式進(jìn)行答案生成，答案不受語料庫規(guī)模限制；缺點(diǎn)是模型的可解釋性不強(qiáng)，且難以保證回答一致性和合理性。

在我們的聊天引擎中，結(jié)合檢索模型和生成模型各自的優(yōu)勢，提出了一種新的模型 AliMe Chat [23]，基本流程如圖 13 所示。首先采用檢索模型從 QA 知識庫中找出候選答案集合； 然后利用帶注意力的 Seq2Seq 模型對候選答案進(jìn)行排序，如果第一候選的得分超過某個(gè)閾值，則作為最終答案輸出，否則利用生成模型生成答案。其中帶注意力的 Seq2Seq 模型結(jié)構(gòu)如圖 14 所示。經(jīng)過訓(xùn)練后，主要做了如下測試：如圖 15 所示，利用 600 個(gè)問題的測試集，測試了檢索（IR）、生成（Generation）、檢索+ 重排序（Rerank）及檢索+ 重排序+ 生成（IR+Rerank+Generation）四種方法的效果，可以看到在閾值為 0.19 時(shí)，IR+Rerank+Generation 的方法效果最好。

圖13 AliMe Chat 流程圖

圖14 帶注意力的 Seq2Seq 網(wǎng)絡(luò)結(jié)構(gòu)示例

圖15 IR、Generation、Rerank、IR+Rerank+Generation 效果對比

此模型在阿里小蜜中上線，示例如圖 16 所示。在阿里小蜜中，針對之前的 IR 模型和 AliMe Chat 模型，利用線上流量做了 A/B Test，結(jié)果如表 2 所示。從用戶日志中隨機(jī)選擇 2 136 條數(shù)據(jù)，其中 1 089 是采用 IR 模型回答，另外 1 047 是采用 AliMe Chat 回答，AliMe Chat Top1 答案的準(zhǔn)確率（accuracy）是 60.36%，遠(yuǎn)遠(yuǎn)好于 IR 的 40.86%。

圖16 AliMe Chat 在阿里小蜜中上線后的聊天示例

表 2 阿里小蜜中 IR 方法與 AliMe Chat 方法 A/B Test 結(jié)果

對話管理

對話管理根據(jù)語言理解的結(jié)構(gòu)化語義表示結(jié)果以及上下文，來管理整個(gè)對話的狀態(tài)，并決定下一步采取什么樣的動作。

下面來看一個(gè)簡單的對話例子。

對話交互分成兩個(gè)階段，第一階段，通過多輪對話交互，把用戶的需求收集完整，得到結(jié)構(gòu)化的信息（出發(fā)地、目的地、時(shí)間等）；第二階段就是請求服務(wù)，接著還要去做選擇、確定、支付、購買等后面一系列的步驟。

傳統(tǒng)的人機(jī)對話，包括現(xiàn)在市面上常見的人機(jī)對話，一般都是只在做第一階段的對話，第二階段的對話做得不多。對此，我們設(shè)計(jì)了一套對話管理體系，如圖 17 所示，這套對話管理體系具有以三個(gè)特點(diǎn)。

圖17 對話管理框架圖

第一，設(shè)計(jì)了一套面向 Task Flow 的對話描述語言。該描述語言能夠把整個(gè)對話任務(wù)流完整地表達(dá)出來，這個(gè)任務(wù)流就是類似于程序設(shè)計(jì)的流程圖。對話描述語言帶來的好處是它能夠讓對話引擎和業(yè)務(wù)邏輯實(shí)現(xiàn)分離，分離之后業(yè)務(wù)方可以開發(fā)腳本語言，不需要修改背后的引擎。

第二，由于有了 Task Flow 的機(jī)制，我們在對話引擎方帶來的收益是能夠?qū)崿F(xiàn)對話的中斷和返回機(jī)制。在人機(jī)對話當(dāng)中有兩類中斷，一類是用戶主動選擇到另外一個(gè)意圖，更多是由于機(jī)器沒有理解用戶話的意思，導(dǎo)致這個(gè)意圖跳走了。由于我們維護(hù)了對話完整的任務(wù)流，知道當(dāng)前這個(gè)對話處在一個(gè)什么狀態(tài)，是在中間狀態(tài)還是成功結(jié)束了，如果在中間狀態(tài)，我們有機(jī)會讓它回來，剛才講過的話不需要從頭講，可以接著對話。

第三，設(shè)計(jì)了對話面向開發(fā)者的方案，稱之為 Open Dialog，背后有一個(gè)語言理解引擎和一個(gè)對話引擎。面向開發(fā)者的語言理解引擎是基于規(guī)則辦法，能夠比較好地解決冷啟動的問題，開發(fā)者只需要寫語言理解的 Grammar，基于對話描述語言開發(fā)一個(gè)對話過程，并且還有對數(shù)據(jù)的處理操作。這樣，一個(gè)基本的人機(jī)對話就可以完成了。

阿里智能對話交互產(chǎn)品

智能服務(wù)——小蜜家族

2015 年 7 月，阿里巴巴推出了自己的智能服務(wù)助理——阿里小蜜，一個(gè)圍繞著電子商務(wù)領(lǐng)域中的服務(wù)、導(dǎo)購，以及任務(wù)助理為核心的智能對話交互產(chǎn)品。通過電子商務(wù)領(lǐng)域與智能對話交互領(lǐng)域的結(jié)合，帶來傳統(tǒng)服務(wù)行業(yè)模式的變革與體驗(yàn)的提升。在 2016 年的「雙十一」期間，阿里小蜜整體智能服務(wù)量達(dá)到 643 萬，其中智能解決率達(dá)到 95%，智能服務(wù)在整個(gè)服務(wù)量 ( 總服務(wù)量= 智能服務(wù)量+ 在線人工服務(wù)量+ 電話服務(wù)量) 占比也達(dá)到 95%，成為了「雙+ 十一」期間服務(wù)的絕對主力。阿里小蜜主要服務(wù)阿里國內(nèi)業(yè)務(wù)和阿里國際化業(yè)務(wù)，國內(nèi)業(yè)務(wù)如淘寶、天貓、飛豬、健康、閑魚、菜鳥等，國際化業(yè)務(wù)如 Lazada、PayTM、AE 等。

隨著阿里小蜜的成功，將智能服務(wù)能力賦能給阿里生態(tài)圈商家及阿里生態(tài)之外的企業(yè)和政府部門，便成了必然的路徑。店小蜜主要賦能阿里生態(tài)中的商家，云小蜜則面向阿里之外的大中小企業(yè)、政府等。整個(gè)小蜜家族如圖 18 所示。

圖18 小蜜家族

智能設(shè)備

過去 3~4 年，我們可以看到，連接互聯(lián)網(wǎng)的設(shè)備發(fā)生了很大變化，設(shè)備已經(jīng)從 PC 和智能手機(jī)延伸到更廣泛的智能設(shè)備，比如智能音箱、智能電視、機(jī)器人、智能汽車等設(shè)備。智能設(shè)備的快速發(fā)展正在改變著人和設(shè)備之間的交互方式。

我們研發(fā)的智能對話交互平臺為各種設(shè)備提供對話交互能力，目前在 YunOS 手機(jī)、天貓魔盒、互聯(lián)網(wǎng)汽車等設(shè)備上已經(jīng)大量應(yīng)用。比如在天貓魔盒中，用戶通過對話交互可以完成搜視頻、查音樂、問天氣等，可以進(jìn)行閑聊，還可以進(jìn)行購物。

總結(jié)與思考

過去幾年中，結(jié)合阿里巴巴在電商、客服、智能設(shè)備方面的剛性需求和場景，我們在智能對話交互上做了大量的探索和嘗試，構(gòu)建了一套相對完整的數(shù)據(jù)、算法、在線服務(wù)、離線數(shù)據(jù)閉環(huán)的技術(shù)體系，并在智能服務(wù)和智能設(shè)備上得到了大規(guī)模的應(yīng)用，簡單總結(jié)如下。

（1）自然語言理解方面，通過 CNN/Bi-LSTM-CRF 等深度學(xué)習(xí)模型、分布式表示和符號表示的融合、多粒度的 wordembedding、基于上下文的意圖排序等方法，構(gòu)建了規(guī)則和深度學(xué)習(xí)模型有機(jī)融合的自然語言理解系統(tǒng)。

（2）智能問答方面，成功的將機(jī)器閱讀理解應(yīng)用在了小蜜產(chǎn)品中。

（3）智能聊天方面，提出了 AliMe Chat 模型，融合了搜索模型和生成模型的優(yōu)點(diǎn)，大大提高了閑聊的精度。

（4）對話管理方面，設(shè)計(jì)了基于 Task Flow 的對話描述語言，將業(yè)務(wù)邏輯和對話引擎分離，并能實(shí)現(xiàn)任務(wù)的中斷返回和屬性的 carry-over 等復(fù)雜功能。

在智能交互技術(shù)落地應(yīng)用的過程，我們也在不斷思考怎么進(jìn)一步提高智能交互技術(shù)水平和用戶體驗(yàn)。

第一，堅(jiān)持用戶體驗(yàn)為先。堅(jiān)持用戶體驗(yàn)為先，就是產(chǎn)品要為用戶提供核心價(jià)值。第二，提高語言理解的魯棒性和領(lǐng)域擴(kuò)展性。第三，大力發(fā)展機(jī)器閱讀理解能力。第四，打造讓機(jī)器持續(xù)學(xué)習(xí)能力。第五，打造數(shù)據(jù)閉環(huán)，用數(shù)據(jù)驅(qū)動效果的持續(xù)提升。

目前的人工智能領(lǐng)域仍然處在弱人工智能階段，特別是從感知到認(rèn)知領(lǐng)域需要提升的空間還非常大。智能對話交互在專有領(lǐng)域已經(jīng)可以與實(shí)際場景緊密結(jié)合并產(chǎn)生巨大價(jià)值，尤其在智能客服領(lǐng)域（如阿里巴巴的小蜜）。隨著人工智能技術(shù)的不斷發(fā)展，未來智能對話交互領(lǐng)域的發(fā)展還將會有不斷的提升。