第二天AICon人工智能大会记录

AICon第二天 2019.11.22

腾讯云《腾讯云知识图谱技术与应用实践之路》吴睿
小米AI Lab 《知识图谱在小米的落地与挑战》刘作鹏
平安AI团队《智能金融在客服机器人中台的落地实践》潘鹏举
阿里达摩院语音实验室《阿里KAN-TTS技术和落地实践》雷鸣
追一科技AI Lab《企业服务中智能交互机器人的实践与探索》徐易楠
《微软小冰：人格化对话机器人的构建及在语音场景当中的实践（上）》
网易云音乐搜索《AI算法在云音乐搜索中的应用实践》王新欣

腾讯云《腾讯云知识图谱技术与应用实践之路》吴睿

知识图谱定义
- 知识图谱是采取二元图网络，描述客观世界中的实体信息及其相互关系规律的知识化描述，其基本组成单位是【实体-关系-实体】，【实体-属性-属性值】的三元组（triplet），实体之间通过关系相互联结，构成网状结构
图谱构建与应用流程
知识图谱一站式平台
- 图谱构建可用预训练语言模型提高效果
- 用远监督回标降低成本。
- 用云更降本增效。
知识抽取
知识图谱一站式平台底层：腾讯Plato高性能图计算引擎（已开源）

小米人工智能实验室《知识图谱在小米的落地与挑战》刘作鹏

知识图谱简介
- 本质上，知识图谱是大规模的语义网络（ Semantic Web）；
- 语义网络是知识表示的重要方式之一，富含实体、概念和多种语义关系；
- 让机器具备认知能力的关键技术
OpenBase 项目
- 联合OpenKG、小米、清华大学、浙江大学、东南大学、狗尾草、海知智能
- 多个中文知识图谱自由下载
关键构建技术
- bert太重，蒸馏！
百科知识图谱构建（避坑指南）
- 知识抽取 → 实体发现 → 实体分类 → 知识补全 → 知识更新 → 知识融合
- 百科图谱的对齐： Schema层对齐
  - 以cnSchema为基础，半自动地抽取等价概念和上下位关系
  - 利用等价概念发现等价谓词
垂域知识图谱的构建
- ^本体定义 → 实体发现 → 知识抽取 → 实体对齐 → 知识择优 → 知识更新
- 小样本条件下的文本分类模型
  - 联合BERT和Meta Network的网络模型；
  - Transformer层之间用残差网络连接
- 图谱的质检流程…（众包）
- 数据不足
  - 人工标注10000条垂域数据+远程监督
- 知识择优来源
  - 数据的权重引用数
- 知识及时更新
小米图谱
- 以百科图谱为中心（已接入9大业务类别），链接了52垂域图谱
基于图谱的问答 - KBQA
- 小爱开放域问答系统
- 问句理解是当前的难点
  - 问句纠错 → 问句改写 → 意图识别 → 指代消解 → 实体链接 → 谓词判断
  - 借鉴了搜索和NLP的技术
  - 需要在80毫秒内完成全部处理，每天处理6千万次以上的请求 (120ms以内返回答案)
- KBQA关键技术：实体链接
- KBQA关键技术：谓词判断
  - ……
未来发展
- 从KG到KG Plus
- KG Plus查询：根据内容名称或者内容ID，从KG Plus里查询内容；
- 理解服务：根据内容名称或者内容ID，查询补充了各类信息的内容数据；
- 融合服务：将结构化的和非结构化的数据融合到KG Plus中；
- 距离计算：查询实体之间或者概念之间的图谱距离；
- 实体推荐：根据给定实体，推荐关联实体；
知识图谱：好用，耗钱，耗人力，偏长远发展
如何对客服机器人评价？
1. 对给出的答案进行反馈（点赞点踩）
2. 标注测试集，计算PRF值

平安银行 / AI算法团队《智能金融在客服机器人中台的落地实践》潘鹏举

平安AI业务架构
客服机器人小安1.0
- 存在问题
  - 知识库独立不共享（借记卡和信用卡）
  - 前端重复开发
  - 不智能，无法回答其他业务的问题
- 解决方案
  1. 知识库维护在一个地方
  2. 程序分别调用两个机器人，前端进行结果合并（√）
客服机器人小安2.0

利用中控机器人来调用不同业务机器人
- 存在问题
  - 知识库的维护工作量增大（各类业务知识的不断接入）
  - FAQ知识不共享，扩展性差
  - 新机器人的冷启动工作量大
    - 冷启动科普：在无初始客户积累，得不到新入客户群数据，分析不出客户习惯，不能针对性改进和推广
  - 需定长周期的定制化开发（麻烦）
- 解决方案
  - 对不同模块进行抽象封装（共享、复用、组件化）
客服机器人小安3.0（中台化）

抽象出3个重点
1. 知识统一沉淀
  - 知识共享（不同业务知识库+闲聊库）
  - 知识集中化管理（后台管理系统，知识易适配、易维护）
  1. 服务统一管理
    - 实现了服务的统一注册、编排和管理
  - 实体管理 (分通用实体、场景化实体)
    - 实体状态保持机制实现
      - 命中了某个实体，根据上下文进行状态机制的保存
  1. 答案的配置化
    - 卡片式答案
    - 卡片组件库管理
3.0架构如下：
- 示例
总结
- 扩展问的数量会大幅提高问答的效果
  - 找运维，多标注知识（很重要）
- 充足的FAQ数据是保证模型起效果的关键
  - 数据！数据！数据！
- 多轮对话效果有待提高
- 核心的NLU抽象成模块，和知识、答案展示等服务进行解耦
- 通过发现bad case，人工调整数据重新训练

阿里巴巴达摩院语音实验室《阿里KAN-TTS技术和落地实践》雷鸣

语音合成技术的历史演变
语音合成技术的应用场景
- ASR→NLP→TTS
- 三方面刚需
  - 交互（智能客服、智能硬件、虚拟助理）
  - 播报（导航、内容播报）
  - 娱乐（变声）
Knowledge-aware Neural TTS (KAN-TTS)
- 评价指标（MOS%）
基于KAN-TTS的定制（声音克隆）
- 5大场景，42种声音
  - 高品质– 听起来好听
  - 开箱即用– 想要什么声音就有什么声音
  - 低门槛定制– 想做什么声音就可以做什么声音
  - 个性化– 低成本娱乐效果

追一科技AI Lab《企业服务中智能交互机器人的实践与探索》徐易楠

实践过程中的瓶颈及探索

冷启动效果差、可复制能力不够
- 数据量 vs. 准确率服从线性递增关系
解决方案
- 数据复用
  - 构造伪标签（无监督数据增强+主动学习）
- 模型优化
  - 小样本学习
系统鲁棒性不⾜
- 两句话相似，但语义完全不一致
- 字面完全不匹配，意图却相关
- 顺序重要还是不重要
- 标点符号也很重要
解决方案
- 数据优化
  - 简单数据增强：近义词、乱序、随机替换、删除等
  - 复杂数据增强：使用生成模型
- 模型优化
  - 对抗训练：在某个输⼊上有意的加⼊⾜够小的扰动，能够使⽹络预测错误且预测概率较高的样本
口语化表达理解能力不够
- 通用ASR对于 领域知识 识别效果有限
  
  | ASR识别结果 | 标签 |
  | —————————- | —————————- |
  | 能不能改天呐 | 能不能改签呐 |
  | 我怎么投保啊 | 我怎么淘宝啊 |
- 领域关键词通常会导致意图识别错误
- 口语化表达与文本差异较大
解决方案
- 将ASR转写的数据也参与模型训练
- 语音+文本联合建模
不能洞察用户情感，从而进行安抚