本系列文字是一位創業者的投稿《面向NLP的AI產品方法論》，老曹儘量不做變動和評價，儘量保持系列文章的原貌，這是第3篇。
看着這個標題我就想笑，原來的標題是，如何做好多輪對話管理，然後我就默默的加了個引號，用於斷句。
本文是前一篇文章《NLP方法論：如何設計多輪語音對話技能》的延續，本文主要討論的是對話設計，是業務設計中的重中之重。
VUI相比於GUI，沒有流程預設，全程使用對話輸入，用戶可以隨意表述，無法有效控制用戶的輸入行爲。
有些人會一句話表達自己的訴求，有些人不能；有些人表述囉嗦，邏輯混亂，不能一次說清所有的要點，需反覆追問；有些人頻繁改變主意，機器人需要不斷理解，並適配更改意圖；有些人就是跑題大王，經常性的多個頻道切換；有些人壓根不知道自己要啥，希望機器人給建議；有些人就是無聊，純屬挑逗機器人。有些人……
畢竟“人工智能皇冠上的明珠”，理解不了，接不好話就是人工智障。
而當用戶想怎麼說就怎麼說，好比脫繮的野馬，上下文指代、否定、反問，雙重否定、以漢語言的博大精深之處，又會分分鐘教計算機做人。
“中國：我們這邊快完了。”
“歐洲：我們這邊快完了。”
“中國：我們這邊好多了。”
“歐洲：我們這邊好多了。”以上對話也是2020年3月中旬這個場景纔看懂，過一段時間後，大家偶爾翻到這篇文章，未必會理解。
此前的對話管理的學術報告的定義是：“考慮歷史對話信息和上下文的語境等信息進行全面地分析，決定系統要採取的相應的動作，如追問、澄清和確認等。主要任務有：對話狀態跟蹤和生成對話策略。實現途徑上，目前有檢索模型、生成模型等。”
我自己提煉了一套簡單便於理解的，對話設計的本質是管理。目標即：通過問答行爲，控制用戶的表述，明確其需求，並方便計算機理解。
還是以買電影票舉例，我們就是基於各種主副詞槽，模擬出用戶各種各樣的表述，去完成每一輪的查詢，檢索行爲。從結果上而言，用戶只要確認好4個主詞槽（爲什麼是4個上篇文章有討論過思路）就可以完成下單行爲了。
當用戶的話術中，一旦分析出，用戶有買電影票的意圖的時候，此時主動權就應該完全由對話管理去掌控了。
接下來的問題是？（以買電影票場景爲例）如何設計問題？
一、自己如何問？
設計話術問題之前，先要把基本功打牢固。
問題有兩種，一種是開放式，一種是封閉式。
開放問題：問題提得比較籠統，圈定的範圍很不固定，給回答者很多自由發揮的空間。用戶回答起來比較輕鬆，更易於展示自己，沒有太多的壓力。
封閉問題：問題提得很具體，圈定的範圍比較固定，要求回答者在範圍內給予明確回答。用戶會感到壓力，有種被審問的感覺。
所以，面試的時候，相親的時候，儘量提開放性問題，以方便對方自由發揮，更容易展示自己，容易發散，容易給彼此接話，也不會把天給聊死。
而在統計問卷，做填表，調查的時候，封閉問題更容易做到統計，文科生理科生的思維就在於此，要不怎麼說程序員嚴謹刻板不浪漫呢，畢竟跟計算機打交道過多。此處沒有黑程序員的意思，畢竟我也敲過一些代碼，也認識很多有趣的可愛的程序員。這是社會偏見，是刻板印象，不可取。
故而，我們可以對不同的提問方式做一個總結和提煉。
PS：NER（命名實體識別）常見的有時間、數字、人名、地名……等等，大家理解爲方便做填空題即可，具體可以查詢百科。
回到買電影票場景，我們的核心目標是引導用戶說出4個主槽位，最終完成下單的目標。
我們可以嘗試着做下練習，以便自己熟悉語感。
練習填入開放性的問題，並且自己寫上答案是爲了培養自己“寫問句”的業務敏感度，確認自己使用的話術是否會引發用戶的開發性回答。同樣我們可以需要做一下封閉型問句的練習。
之所以每個都寫，完全是出於幫大家理解，以及感受合適不合適。
比如確認座位，直接替用戶選好，然後用【確認】的問法去請求“肯定”回答，就比較合適，如果用戶不滿意可以交付給GUI，絕不推薦語音選座。
比如影片名這類，用【確認】問句去求“肯定”回答，就不合適，有限條件下，我們無法命中用戶的喜好，視當時的情況，用【填空】或者【選擇】比較合適
在實際的過程中，還會加入一些話術比如“爲您找到……爲您推薦……附近有……請問……您看這個可以麼？”等語氣助詞，顯得不那麼生硬。
工作中很多的同學，一開始就寫句子經常無頭緒，畢竟任何一個問句都是合理的。
語感不好的人一定要練習，規避“開放問題”，同時掌握好，使用【填空】【選擇】【確認】三種問法結構的選擇，做到熟練應用，在我們部門是所有人的基本功。
以後再遇見任何業務，便可基於業務情況做問法選擇，做到“運用之妙，存乎一心 ”。
本階段重點：
理解開放問題和封閉問題，以及封閉問題的三種方案。
使用封閉問題去管理用戶答案，以便於計算機理解。
問，是非常重要的基本功，是做好對話設計的前提。
二、用戶如何答？
經常有人說用戶的回覆千奇百怪，就固定域對話交互而言，事實並非如此。本章節主要做預判，嘗試窮舉用戶的可能答覆。
直接公佈方法論，筆者歸納總結如下：
無論對話行爲是單輪還是多輪，只要你把對話的機會交給用戶表述，每回復均有可能發生。讓我們來看一下各種情況，以及不同場景下的應對方案。
（1）用戶回覆歸類：跟隨
以看電影舉例，用戶如果每個都依據話術，完成指定回答，很容易完成任務，我私下稱這類用戶爲“小乖型用戶”。
應對策略：成功提取槽位後，推進程就好。
（2）用戶回覆歸類：篩選與修訂
在對話的過程中，對方會基於自己的需求做篩選行爲，亦或者是，明明需要用戶確認當前詞槽（確定電影場次），而用戶臨時起意，需要改此前的槽位，比如換電影，或者換影院。
首先，如果每次都讓用戶做肯定否定，必然出現推薦不到位不精準，把用戶逼成“挑選型用戶”。同時，再者，用戶也有挑挑揀揀的權力啊。我十分不好意思，稱之爲“挑選型用戶”。
應對策略：應該基於用戶的需求，進行調整，幫助用戶完成查詢/修訂結果。
語境內篩選，非常考慮語義理解，是做好NLP必備的功底，篩選做的好，體驗才能夠穩穩超過GUI，用戶有需求才篩選，當用戶篩選完，自然最終完成填槽行爲，最終達成目的。
還有一種情況，我稱之爲無法處理的篩選，請看例句：
“幫我找一個高大上的電影院；好看的/有內涵的/羞羞的電影；舒服的，觀影效果好的座位；適合我南山吳彥祖/福田劉亦菲看的電影院；”
人類看來，這是屬於無意義的前置條件，其實取決於內容標籤和指代關係。
例如，“我想看關於海戰的電影；停車比較方便的電影院；想選一個靠門的座位”，這句話在人類看來是有意義的，如果內容層面沒有這個標籤，篩選也無法做起，從計算機角度，我統一歸納爲，無法處理的篩選。而不是無意義篩選。
應對策略統一處理成，隨機推薦，並反饋封閉問句，請求對方的封閉回答即可。
如果你反覆跟人類糾結，企圖讓對方定義更爲明確的篩選條件。
“抱歉，我不太明白，什麼是羞羞的/有內涵的電影。”
“抱歉，我不太明白，什麼是海戰有關的電影。”
那又變成開放問題了，這種情況是就算是用戶給AI解釋，AI也未必聽得懂，對話變長不利於業務的後續推進，這種體驗就十分不爽了。
（3）用戶回覆歸類：關聯諮詢
在某些對話語境下，很容易問出邊界外的問題，畢竟有些問題是影響用戶購買決策的。
例如用戶買機票的時候會問天氣情況，人類能懂能猜測能推理，因爲這些是常識，但是計算機是否理解常識並推理，就看各家的設計了。
應對策略：本質上是如何處理好，任務、問答、閒聊之間的關係。其實各家都處理得不一致。
這種基於業務需求的關聯諮詢，某種意義上也是開放域了，你可以選擇認慫，無法回答此類問題，並請求用戶重新確認該關鍵點上的詞槽。
再者你比較負責，會盡量覆蓋一些對話領域，並訓練各種FAQ的響應，但要處理好交叉對話之間的記憶關係。
例如：訂機票業務，下單之前。
AI：blablabla（介紹機票的各種情況）……需要爲你預定麼？
用戶：哎對了，上海那天天氣怎麼樣？
AI：blablabla……
用戶：那杭州呢？
AI：blablabla……
用戶：行吧，下單吧。此時AI應該如何處理？兩輪天氣對話之後的下單？好，如果用戶再問三輪，關於機場，行李託運，打折情況，然後決定下單，此時AI應該如何處理？
以上並非杜撰，是筆者在用戶對話log後臺看到用戶的真實使用情況。
應對策略的選擇，凡事考量性價比，在此前的一篇文章中，在思考場景和確定業務邊界的時候，應該考量到位，此處不展開。
（4）用戶回覆歸類：無意圖表述
在某些對話語境下，很容易問出邊界外的問題，畢竟有些問題是影響用戶購買決策的。
例如用戶買機票的時候會問天氣情況，人類能懂能猜測能推理，因爲這些是常識，但是計算機是否理解常識並推理，就看各家的設計了。這也是一種可能存在的情況。這首先是用戶的權力，會出現的異常情況。亦或者是自己的語義理解覆蓋不到位，用戶的明確意圖，識別成了無意圖。
應對策略：語義理解不到位的不討論，自己通過對話log強化語義覆蓋即可。而真的確定爲無意圖表述，轉向做推薦，請求用戶確認。
如果用戶反覆選擇無意圖表述，不填槽便始終無法推進，對話進入死循環，AI只需要處理，隨機回覆策略即可。
（5）用戶回覆歸類：命令控制
命令控制是一個全局的指令，它僅僅在特定的語境、技能、場景、流程點上完成激活行爲。買電影票這個例子用命令控制的場景較少。其實相當多的技能在某些場合會激活命令控制，比如播放類的音樂/視頻和或者遊戲等。
應對策略：
每個流程點的命令控制都是特定的規則是提前定義好的。如果用戶在未激活的場景下說了命令控制，也不會響應，而是交由其他業務邏輯完成回覆。一種比較通用的回覆是AI：抱歉超出我的理解範圍……（增加一個封閉提問請求用戶回答）？
（6）用戶回覆歸類：跳出或退出
任何輪次，用戶都可以做出“跳出或退出”行爲。跳出和退出都是結束當前任務的表現。
一般而言跳出是打開某個其他的技能。退出則是明確說再見。
同樣存在誤識別的可能性，特別是看電影，或者聽歌，作品名字可以隨意取。比如《我想去拉薩》就是一個歌名，會不會被導航識別呢？比如說有些音樂或者電影名，可以完全可以命名爲《滾》《退出》《再見》等等。
應對策略：
1、語義理解增強NER的識別表現，以規避歧義雙關語表述。2、明確跳出，開啓另一輪任務對話，明確退出就結束對話。3、基於用戶付出的成本，增加挽留確認和退出話術引導。
爲方便記憶，這一段的知識點歸納於此，做到了以下圖中的幾點就完成了對話管理，且這種方法論，可用於絕大多數的任務型業務場景。
三、對話管理思維
再次重申對話管理的目標：通過問答行爲，控制用戶的表述，明確其需求，並方便計算機理解。
達成目標需要行動，而思維是統一行動綱領的。
最開始我想說“理性思維”和“感性思維”的，但是從個人語感上，從各位讀者的理解角度而言，用在這個場景下，不精準，遂修訂爲“直男思維”和“暖男思維”。
直男思維：目標性強，簡潔準確，不繞彎。
暖男思維：識別意圖，幽默風趣，有溫度。
我們設計一個技能，就是利用VUI的特性，快速幫助用戶達成目標。即：任務導向，結果導向。
全程是幫助用戶快速完成任務的心態，想讓對方快速達成結果的，用封閉提問。
用戶找AI助手是解決問題的，而不是調情的。所有的填槽行爲都是爲了完成某個任務，用戶有需求，就應該快速給結果，不墨跡。
下面我用一個例子來解釋這兩個詞兒的準確與方便記憶所在。
就好比，女生跟男生說肚子痛。
男生的身份如果是醫生，直接封閉型問題走起：“痛了幾天了，具體哪個位置啊，睡眠好不好”，基於用戶的特徵判斷，填槽即可，然後開藥、休息、多喝熱水都是解決方案。
男生的身份如果是男朋友或者男同事，上來就“多喝熱水”，直男無法識別意圖（渣男往往更有嗅覺），直男回覆無法滿足其預期，就別怪女生翻白眼了。
這一切的原因是，AI助手在用戶心中是一個怎樣的角色定位，以及用戶使用AI助手的目的。如果AI助手的定位是情感機器人，那麼處理策略又另當別論了，受限於篇幅此處不展開討論。
其實直男思維和暖男思維並不對立衝突，跟理和感性思維一樣，可以融合統一，但在不同的場景下，分主次。
在快速幫助用戶解決問題的前提下，AI助手一樣能做到幽默風趣有溫度。
處理策略歸屬於理性，實際話術表現處理歸屬於感性。這一塊需要大量的語感練習，有天賦才能夠發現對話文字之間的細微差別之處。
對話設計，在掌握了理性的邏輯思考之後，餘下部分其實是文科生髮揮優勢的戰場。
這裏，一張圖片整理本篇方法論知識點。
文末提幾個問題，給大家思考，也留作後續的NLP方法論文章的遞進，同時也是做好一個對話助手的遞進。
以下是工作中的同事以及一些讀者朋友留言的問題。
1、新用戶對VUI是陌生的，有時候看用戶使用非常掙扎，偶爾突破性的提問就會碰到邊界，如何教會用戶使用各種巧妙的表述，快速達成任務目標？
2、機器人的回覆是固定套路，很多時候用戶僅僅改了一個篩選條件，AI又不得不從頭到尾唸完，然後請求用戶確認，我自己用都覺得羅嗦，何況是用戶，而這類信息又必不可少，如何處理好這類問題？
私以爲，只有當我們面對的問題，達到這種顆粒度，才更能夠做好對話管理行爲。歡迎各位同學留言評論，期待着與你的交流。
關聯閱讀：
——DuerOS 相關——
https://dueros.baidu.com/dbp