用了客服机器人为什么你的用户最爱还是转人工服，依存句法分析，
近几年来人工智能很火热。回顾这几年的人工智能的标志性事件，从AlphaGo战胜围棋冠军，Sophia获得公民身份，到自动智能驾驶获准上路测试，世界首款AI手机芯片发布，AI技术已经在各行各业走向大规模应用，渗透到我们日常生活的方方面面。智能支付就是一个很成功的例子。
在客服行业，机器人的应用，极大地提高了企业服务的效率和质量，降低人力成本。那么在AI技术迅猛发展的今天，自然语言交互到底给传统的客服机器人带来了什么样的改变？下面将会从几个方面做一个简单的展开。
首先我们先了解一下，什么是传统客服机器人。客服行业是典型的劳动密集行业，管理形式粗犷、工作时间长、工作重复性高。传统客服机器人是指最早期利用关键词和搜索技术搭建起来的对话机器人，目标是解决用户常规的重复性提问，减少人工客服的投入，改变客服工作的模式，提供7X24小时全年无休咨询服务。
传统客服机器人起步较早，在零几年前后就起来了很多专门提供智能客服的公司。传统客服机器人发展到如今已经有快三十年的历史，商业模式已经相对成熟，其算法特点是通过建立规则模板知识库，利用搜索技术在用户问句模板与句型模板库中模板进行匹配，返回模板预设好的答案给用户。
然而规则模板结合搜索的做法，依存句法分析存在很多弊端。一是它返回用户很多大量的或相关或无关的问题，用户需要在这些问题菜单中进一步筛选信息，我们行业内通常称之为指定相关问。例如在电商场景，用户咨询选尺码的问题，机器人给返回了六七条和尺码相关的问题。
二是几个关键字的规则模板组合很难清楚的表达用户检索意图，同时基于关键字的索引，匹配算法不做语义理解，较难提高检索的效果。我们可以尝试换一个问题提问。
当用户输入“选的尺码不合适”时，其提问场景已经转变成用户收到货后，试穿之后发现尺码大了或小了，可能是需要退换货。而机器人返回仍然是如何选尺码的答案，很显然是打中了“选”和“尺码”两个关键字造成的误匹。从这个结果不难反推出如何选尺码的问题模板就是[选][尺码]，只要用户输入的问句中包含这两个关键词，不管问的是什么问题，都会暴力匹配到这题。
为了解决这个问题，机器学习技术近年来也被应用到智能客服对话机器人上，并逐步取代传统客服机器人。
我们会将关键词模板称之为前人工时代，自然语言处理和深度学习称之为后人工时代。这两个时代划分的意义是，对话机器人已经有了浅层的语义理解。打个比方说就是，前人工智能时代的机器人的语言理解能力如果是婴儿的话，那么后人工智能时代的机器人就相当于3~4岁的儿童。
NLP会对输入的文本进行分词、词性标注、句法分析、语义角色标注、依存分析、言外行为分析、拼音纠错、实体抽取等等，通过这些尝试理解句子的关系和含义，对问题处理的精度更细。
NLP会对输入的文本进行分词、词性标注、句法分析、语义角色标注、依存分析、言外行为分析、依存句法分析拼音纠错、实体抽取等等，通过这些尝试理解句子的关系和含义，对问题处理的精度更细。
说到这里，并不是说关键词不可以用，但它只能解决最简单的那种肯定句数据，句法稍微有一些变化，它是解决不了问题的。机器学习（ML）通过训练数据模型，数据的特征组合和抽象会交给深度学习自行学习，从而获得一定的泛化能力，可以举一反三。
所以选择机器学习方法，数据样本的筛选和构造十分重要。互联网发展几十年的历史，大多企业已经累积了大量的用户数据，用户的聊天日志是非常好的训练数据。
使用机器学习方法来挖掘大量用户数据，可以发现其中并不显着的规律。在传统方法中，你的程序会变成一长串复杂的规则，这样就会很难维护且不具备泛化能力。相反的，基于机器学习技术会自动学习哪个词和短语是预测值，更易维护，也更精确。
机器学习的另一个优点是善于处理对于传统方法太复杂或是没有已知模板的问题，也就是长难句。由于篇幅关系，这里就不详细展开了。
在单轮的文本对话中，往往有些复杂的场景，无法通过一个回答来很好的解决。复杂场景需要明确用户信息或状态，获取多个变量才能确定精确答案。
以物流行业常见的运费时效查询这一个场景为例，用户的发货和收货地点、快件重量和选择的服务都会影响到运费的计算和配送时效。如都用统一回答的FAQ处理，显然不够“智能”和有针对性，类似的复杂场景可考虑用多轮技术解决。
对于复杂问题，机械性的一问一答，无法完成复杂的任务，传统方法难以解决，而多轮技术可以找到解决方案，通过把任务完成的主导权交给机器人，获取用户的变量信息，也更方便进行个性定制化回答。
在产品层面，如今的自然语言交互可以实现例如智能推荐、访客监控、API调用、知识图谱，甚至语音视频等等，对于用户的运营来说，功能越来越丰富，手段也也来越多，这里就不一一枚举了。
在真实的人机交互中，用户与系统交互的过程中不免会涉及到闲聊。闲聊的功能可以让对话机器人更有情感和温度，交互也更加自然，减少冷冰冰的机械化感觉。
这其中很关键的一点，是识别用户的情绪。以上海的竹间智能为例，作为中国首家致力于打造与人类具有情感共鸣、懂得人类思想的情感机器人。竹间目前做了4种的语音情绪，人的表情做了9种，文字情绪做了22种。
为什么文字情绪的分类可以多达22种？像上面这张图，负面情绪中的讨厌、愤怒、悲伤、难过、害怕其实是不一样的意思。只有能够识别这些负面情绪不同的东西，才有办法去做正确的反馈。通常文字的情绪是不够的，所以除了各式各样的文字情绪之外，多模态的情感，是把文字情绪、人脸表情跟语音情感整个加在一起，去算出说这个人目前的总情感是什么。
传统的客服机器人是缺少闲聊而且不具备情感计算功能的。提高拟人化程度，是自然语言人机交互的发展趋势。
你可以想象未来的开放式聊天机器人，就如电影《Her》中的那个AI系统Samantha一样，既细腻敏感又风趣幽默，还拥有迷人的声线。既能充当工作助理的角色，也能成为情感的寄托。
为什么说自然语言处理和深度学习的应用，可以降低客服机器人的知识库运营成本呢？一是因为用户日志作为样本数据训练，运营人员不需要花费较长时间学习模板规则，二是在机器人上线后后期维护只需要定期，大约每周或每天抽取几个小时标注未匹配到标准问的用户日志重新训练即可。相较传统客服机器人需要十几人的运营团队专职运维知识库来说，人力投入大大较少。
再就是新的自然语言处理技术，可以对用户聊天记录进行多维度的分析和挖掘，如进行用户画像、舆情分析等，捕捉用户更多的需求和场景，从而可以支持更精准的推荐和营销，提高企业的效益和用户体验。
但阳光之下也不是没有阴影，在人工智能技术取得了显着进步的同时，质疑的声音也悄然兴起，给人工智能蒙上了一层阴翳，首先，就目前的AI技术来说，还远远没达到人们对“智能”的想象拥有像人一样的思考和推理和能力。其次也不乏别有用心者利用大数据催生精准骗局，骚扰电话防不胜防。
但硬币的两面性决定我们，不能因为人性的贪婪而因噎废食，因此忽视这些技术应用给企业服务带来的确实的效益和便利性，关键是在如何合理地利用和加强监管，依存句法分析规范行业乱象，让真正拥有技术的公司良性发展，让AI技术真正造福人类。