19-陈海青_阿里小蜜-电商领域的智能助理技术实践_35页_6mb

阿里小蜜-电商领域的智能助理技术实践总结

核心内容

阿里小蜜是阿里巴巴集团智能服务事业部推出的一个智能助理平台，旨在通过智能技术提升客户服务效率和体验。平台已从纯人力密集型服务模式升级为智能+人力的混合模式，并逐步拓展至多个领域，包括电商、企业服务、SaaS和PaaS等。

阿里小蜜不仅服务于阿里内部业务，还通过开放平台支持第三方企业、ISV（独立软件供应商）等构建自己的智能助理系统，形成一个完整的生态圈。平台提供了丰富的工具和模块，如机器人配置平台、机器人智能问答平台、Smart KB（智能知识库）、Bot Framework、AIBoost（算法优化工具）等，帮助用户快速构建和优化智能客服系统。

主要观点

平台应用架构

阿里小蜜平台采用分层分领域的架构设计，主要包括以下几层：

• 服务层：覆盖客户服务、导购、助理和聊天等场景
• 技术层：包含语义意图识别、多轮交互、多模交互等核心技术
• 数据层：涉及知识库（QA、Ontology、Knowledge Graph）、机器学习/深度学习训练平台、数据挖掘/离线模型、多维数据分析等

平台支持基于Bot Framework的任务型对话构建，允许自定义多轮对话流程，同时支持第三方接口接入，增强系统的灵活性和可扩展性。

意图识别技术

意图识别是阿里小蜜平台的核心技术之一，分为传统机器学习和深度学习两种方式：

• 传统机器学习：

  • 多分类模型：适用于分类数稳定的场景，如Bayes、Knn、最大熵等
  • 二分类模型：适用于领域分类相对独立且需要频繁更新的场景，如SVM等

• 深度学习：

  • 深度学习多分类模型：适用于大数据量积累场景，如CNN、DNN、LSTM等
  • 结合用户行为特征的深度学习意图预测模型：在文本不完整或不明确的情况下，引入用户行为特征提升意图识别的准确性

平台还支持基于实例的意图识别，通过动态窗口图关系分析用户输入的语义词序列，识别意图边界。

QA Bot技术

阿里小蜜的QA Bot结合了图谱与IR（信息检索）模型，构建基于实体、核心语义、动作和知识点的关系知识图谱，从而实现更精准的问答匹配。

• 优点：

  • 图状结构支持实体间的上下文与推理
  • 提升匹配准确率约10%，改善用户体验
  • 降低业务知识维护成本，无需处理复杂相似问法

• 缺点：

  • 模型构建初期会损失一定的覆盖率

导购技术方案

阿里小蜜在导购场景中引入了增强式导购技术，优化了从单轮导购到多轮个性化导购的体验：

• 模型算法沉淀：

  • 意图边界识别
  • 多轮商品导购下的对话管理
  • 非标准属性归一与属性互斥
  • 基于DNN的非标准商品及属性识别

• 技术方案：

  • 个性化SUG（推荐系统）
  • 知识导购
  • 用户模型与深度强化学习结合
  • Ensemble-learning（集成学习）方法提升导购效果

Chit Chat技术

在闲聊场景中，阿里小蜜采用基于IR的问答系统和基于Seq2Seq的Rerank与Generation融合方案，提升回复的自然度和相关性：

• 评测维度：

  • 语法正确性
  • 逻辑一致性
  • 合乎价值观
  • 是否依赖特定场景
  • 是否回复太笼统

• 评测标准：

  • Suitable(+2): 回复明显合理且自然
  • Neural(+1): 回复在特定语境下合理
  • UNSuitable(0): 回复难以找到合适语境

• 项目结果：

  • Seq2Seq rerank模型比IR模型的平均准确率高17%
  • 在ACL2017中取得良好成果

关键信息

产品展示

• 阿里小蜜：覆盖客户服务、导购、闲聊等场景
• 店小蜜：面向商家，支持多轮对话、自定义意图、实体识别等功能
• 企业小蜜：为企业提供智能客服解决方案，支持第三方接口接入
• 超级小蜜：针对特定行业或场景的定制化小蜜产品
• 行业小蜜：支持不同行业的知识和意图识别需求

技术挑战与思考

• 交互式智能是未来的重要方向，需结合场景数据与技术、产品进行多领域探索
• 领域数据与知识的积累持续重要，为智能助理提供支撑
• 技术领域需持续探索，包括生成模型、增强学习、迁移学习、机器阅读、情感化等方向

总结

阿里小蜜平台通过智能技术与人工服务的结合，实现了从单一客服向多领域智能助理的转型。其技术架构涵盖意图识别、问答系统、导购优化等多个方面，结合深度学习、强化学习等前沿算法，显著提升了用户体验和系统效率。同时，平台支持SaaS和PaaS模式，构建了完整的智能服务生态圈，为电商、企业及其他行业提供了可扩展的智能助理解决方案。