18、客户服务对话式AI聊天机器人构建指南

客户服务对话式AI聊天机器人构建指南

1. 聊天机器人模型分类

聊天机器人主要可分为以下两类：
| 模型类型 | 特点 | 优点 | 缺点 |
| — | — | — | — |
| 基于检索的模型 | 依赖查找表或知识库，从预定义的答案集中选择答案 | 实现相对简单，生产环境中大多数聊天机器人采用此类模型 | 无法处理未见过的问题或没有预定义响应的请求 |
| 生成式模型 | 实时生成响应，而非基于查找，多为概率模型或基于机器学习的模型 | 更复杂，能理解用户输入中的实体并生成类似人类的响应 | 训练难度大，通常需要更多数据，且容易出现语法错误 |

2. 基于LSTM的序列到序列模型

序列到序列模型架构非常适合捕捉客户输入的上下文，并据此生成适当的响应。其工作流程如下：

graph LR
    A[输入单词序列] --> B[编码器LSTM]
    B --> C[隐藏状态向量和细胞状态向量]
    C --> D[解码器LSTM]
    D --> E[预测下一个单词]
    F[<BOS>开始关键词] --> D
    E --> G{是否预测到<EOS>}
    G -- 否 --> E
    G -- 是 --> H[停止输出生成]

在训练序列到序列模型时，对于每个目标单词，我们事先知道作为解码器LSTM输入的前一个单词。但在推理时，我们没有这些目标单词，因此必须将前一步的输出作为输入。

3. 构建