当你使用众多APP的时候，一定对智能机器人客服系统有所了解。就像真正的客服一样，客服机器人可以与人进行简单的对话，并对人们的需求做出相应的回答。虽然大部分时候得到的答案不是很靠谱，但总的来说还是比较省力的。最近火爆的聊天机器人ChatGPT本质上是一个客服机器人，只是背后的算法更加精细，预训练数据量也更大。我们来看看客服机器人背后的技术：对话推荐系统。1、对话推荐系统概述用户使用对话推荐系统的过程，本质上是经过多轮信息交互，辅助用户进行决策的过程。会话推荐系统（CRS）通过丰富的交互行为，打破了静态推荐系统中系统与用户之间的信息不对称壁垒，让推荐系统在与用户的交互对话中动态捕捉用户偏好。一个方向是引导用户通过探索他们当前的兴趣偏好来发现他们新的兴趣点。另一方面，在交互过程中，实时接收用户的反馈，更新推荐模型的策略，实现动态学习和更新。这是一个面向推荐的对话系统，通过与用户的在线对话来捕捉用户的兴趣，并推荐用户需要的答案或产品。一般的对话系统通常分为两类：面向任务的和非面向任务的。后者就是通常所说的聊天机器人。面向任务的对话系统是为了帮助用户完成特定的任务而设计的，比如帮助用户找到自己需要的商品，预定酒店餐厅等。针对推荐任务的面向任务的对话系统通常可以看作是一个对话推荐系统自然语言文本和语音交互的形式。在推荐任务中，具有很高的商业价值。2.对话推荐任务的特点从对话推荐系统的应用来看，有两个典型的特点：多轮交互和目标导向。1.多轮交互在传统系统中，例如在淘宝搜索商品时，用户在寻找具有特定属性的商品时，会进行主动搜索。例如，您可以搜索“春季男士大衣”。在这种场景下，用户构建自己的query，推荐效果不仅依赖于搜索引擎，还依赖于用户自身的专业知识构建合适的query关键词。这种传统的推荐系统需要用户根据他们的先验知识输入可能的属性选项，以便准确定位合适的产品。但在很多场景下，用户并没有这样的先验知识。在这种情况下，用户希望系统主动向他们介绍他们可能喜欢的潜在项目。对话推荐系统中的多轮交互特性可以弥补传统推荐系统中用户主动搜索的不足。在系统与用户的实时交互中，可以主动要求用户展示用户未知的物品属性空间，通过用户的反馈直接了解用户对某些属性的需求和态度，建立用户兴趣。肖像，从而做出正确的推荐。2、面向目标的对话推荐系统的目标是推荐用户感兴趣的商品。因此，最终目标是实现成功推荐，并与用户偏好信息进行交互。CRS与传统推荐系统目标有着相同的“推荐”，但两者在系统的运行和实现上完全不同。传统的推荐系统可以看作是单方面向用户输出推荐物品的系统。而CRS则注重实用的实时反馈，不断主动挖掘用户的兴趣点，更新后续的推荐策略。3.对话推荐系统的基本功能模块一个标准的对话推荐系统由三个功能模块组成：用户意图理解模块、对话策略模块和推荐模块。1.用户意图理解模块用户意图理解模块是直接与用户交换信息的模块。早年，它的输入主要是对话文本。随着技术的发展，多模态数据和用户行为数据越来越成为对话推荐系统。输入数据的主要来源。2.对话策略模块对推荐系统的正反馈数据很少，导致系统和用户的信息不匹配，失败的探索会浪费用户的时间，伤害用户的偏好，造成损失用户。因此，追求探索与收益的平衡是对话推荐系统中的关键问题。对话策略模块的主要任务就是解决这个问题。在多轮交互的过程中，这个问题表现在系统需要根据已经获得的信息来判断是继续询问用户还是推荐商品，从而增加用户选择商品的概率.这是一个典型的游戏问题。查询过多可能会引起用户反感，查询过少又会导致用户偏好信息缺失。因此，一个好的对话策略需要智能平衡对话轮次和推荐准确率这两个指标。3.推荐模块推荐模块是对话推荐系统中实现推荐功能的模块。根据抓取的用户信息，推荐用户当前最感兴趣的目标商品。在大多数CRS中，推荐模块采用简单的推荐模型，比如矩阵分解，因为简单的推荐模型已经可以满足对话推荐系统的推荐需求，而使用过于复杂的推荐模型会使系统成为一个整个复杂。度数上升，导致对话推荐系统训练难度加大。
