給你的Chatbot腦袋！如何用NLU突破回覆障礙？

齁氣氣氣氣氣！做這麼多功能，Chatbot聽不懂、對應不到正確的服務也是枉然啊！過來人含淚忠告：大腦是個好東西，Chatbot需要有一個，NLU就是你缺的那個。

Chatbot不管是運用在閒聊、還是服務，都建立在要備有交談能力的前提之上，需要能聽懂你的話、給予正確回應。先前介紹了常見的Chatbot (看這裡→有今生無來世 為何企業採用Chatbot總失敗？)，其中幾種會出現Chatbot聽不懂、或是答非所問的窘境，今天要跟大家分享SysTalk.chat如何用雙腦一流程中的NLU大腦讓Chatbot突破各種回覆障礙！

(created by freepik)

SysTalk.chat打造NLU大腦 Intent-Entity賦予Chatbot理解能力

不同於已訂定規則的程式語言，人類隨文化發展出的自然語言自由度更高，同一件事可有不同的說法，因此難以規範完善的關鍵字比對規則進行人機溝通，NLU (Natural Language Understanding, 自然語言理解)就是針對自然語言研究的技術，目的讓機器聽懂人類語言。

SysTalk.chat的NLU模組運用自然語言理解技術，進行意圖分類(Intent)、Entity(實體識別)，讓Chatbot理解對話內容，正確掌握使用者服務需求與資訊，以供後續進行對應的服務流程。

(SysTalk.chat NLU大腦)

Intent — 意圖分類：判斷使用者提出的需求

當你尋求服務時，客服人員首先會了解你需要什麼幫助，Chatbot也是一樣的。假設Chatbot提供3種服務：天氣查詢、報失申請、餘額查詢，當user提出需求時，就會根據NLU演算法分解該語句詞彙、再定位於多維向量空間中，並使用分類模型判斷user的服務意圖。

會下雨嗎、我要查天氣、降雨機率多少 → 查詢天氣意圖
手機不見了、我要報失 → 申請報失意圖
我要查餘額、帳戶還剩多少錢 → 查詢餘額意圖

(意圖向量空間，以三維空間為例)

SysTalk.chat使用台灣在地的NLU演算法、完整的意圖空間分類訓練工具，即使字面上的差異如「我要查天氣」、「降雨機率多少」，也能透過空間位置察覺兩者帶有 「天氣」的關聯，從而正確判斷user意圖。

Entity — 實體識別：抓取服務流程的必備資訊

要執行特定服務，還需要從對話中獲得相關的必要實體資訊。想像現在有人向你詢問天氣，你至少還需要時間、地點資訊才能回應，因此機器人需要從對話內容識別出哪個字/詞是實體資訊(eg.台北)，並且判斷指涉哪個實體項目(台北→地點)，才能正確提供服務。

使用者:明天早上會下雨嗎?

--- 天氣查詢所需實體資訊 ---
　[地點] ?
　[時間]明天早上 V️
-------------------------

機器人:請問想要查詢哪個縣市的天氣呢?

使用者:台北

--- 天氣查詢所需實體資訊 ---
　[地點]台北 ✔
　[時間]明天早上 ✔️
-------------------------

機器人:好的！台北明天早上的天氣狀況...

(SysTalk.chat 實體識別實例)

SysTalk.chat有17種預設實體項目已訓練完成，包括時間、地址、金額…等等常見通用實體，可供使用者自由選用，加速建置上線時間，小編覺得這17種實體真的很實用！

\

(SysTalk.chat內建實體)

道理我都懂，但到底怎麼建置？
別擔心！SysTalk導入顧問教你建聰明NLU腦！

上面小編講了這麼多，正在閱讀的你是不是也有點頭暈呢？Chatbot透過好的意圖分類、實體識別可以正確理解對話內容，但到底要怎麼樣才能建置出好的NLU大腦？其實最重要的是要透過專業導入顧問先訪談，規劃梳理符合需求、不互相衝突的意圖與實體，就可以打造聰明、不混亂的服務腦！小編之後再跟大家分享SysTalk導入顧問規劃思緒清晰大腦的方法！

SysTalk.Chat以NLU、FAQ、FLOW產品模組，賦予AI機器語意理解大腦、建立對話邏輯，透過雙腦一流程完成交談式服務，讓AI透過對話解決真實世界的問題，輔助所有工作者。

聯絡SysTalk了解更多 → http://bit.ly/2SNU9Rr