从开放域机器人构建出发，聊聊如何与机器人吹水

一、机器人概述

机器人按照对话方式，可以分为“问答机器人”、“任务对话机器人”、“开放闲聊机器人”。但机器人的落地使用过程中，往往需要不同作用的机器人进行结合。

拿电器类客服机器人举例来说，会有如下对话：

用户：“包安装吗”

机器人：”我们是包安装的哦，亲“

以上是我们最常见的问答场景，机器人通过检索方式，找出query对应的answer返回给用不。

再比如：

用户：“我要查物流”

机器人：“您要查询的是哪个订单”（提供订单A&订单B&订单C）

用户：选择A

机器人：该货品目前已经由顺丰发出。

在以上场景中，机器人需要通过多轮方式完成查物流的任务。

这就像咱人一样，在工作中，不仅需要有决策和解决问题的能力，还需要有日常沟通能力，任何一项都是不可或缺的。

由于工作中接触了各类机器人，对于开放域聊天内容的感触比较深的是，闲聊本身在机器人的场景中，作用会相对弱一些，但大部分时候，又属于机器人的基本能力，属于典型的“得不到的永远在骚动，得到的有恃无恐”。

而目前市面上的机器人介绍文档，一方面关于闲聊的内容不多，绝大部分是任务型和检索性的文章；另一方面，闲聊的介绍更偏向于技术实现方式。但小七我认为，想要做好开放域聊天，其实不能只考虑技术实现，而应该从产品本身出发。

所以今天，小七结合之前做开放域机器人的实操过程，主要以儿童机器人场景为例子，从不同角度来阐述如何构建闲聊机器人，跟着我燥起来！

二、吹水的价值

闲聊，俗称“吹水”。朋友间吹水，讲究开心就好。所以，闲聊是一个双方都带有情感诉求的过程，可以是解闷逗乐，也可以是哭诉慰藉。

基于此，如果用户与机器人进行闲聊互动，必定是希望机器人能引起其情感的共鸣和变化。如下对话是用户跟“小爱同学”（小米音箱）的对话：

用户：小爱同学，放个屁

robot：矮油，人家是女孩纸，怎么会做这么羞羞的事情。既然主人想要听放屁，我就勉为其难放一个，放的不好可不许怪我哦。

噗~~

用户在这次对话中，让小爱同学放屁，纯粹是逗乐找趣。同时，机器人的反应也是有一定套路，让用户感受到，这是一个可以给自己带来乐趣的朋友。

当一个朋友情商特别高，能够在自己伤心时给予安慰，无聊时带来乐趣，开心时互相分享，任何一个人都会很感激有这样的益友，让人离不开。

比如用户面前有一个娱乐机器人，前者习惯性会以人与人交流的形式来进行对话。这时候，机器人不能而不是“直男”，顾着解决问题，也应该是一个情商高的朋友，感知用户的情感，并在回复时伴随着相应的情感，让用户感受到乐趣和温度。

只有这样子，用户才能与机器人做更多交互，提高用户粘性，而不是“仰天嘲笑出门去，AI都是智障人”？

三、如何吹水

用户如果有意和机器人扯犊子吹水，必然会有”像人“的期望值。这个标准说起来简单，做起来相当得难，毕竟nlp技术还真没达到完全理解人类的水平。

如果我们换个角度，如《西部世界》中所讲，机器人如果拥有了记忆，便开始进化成有意识的生物了。同样的，对于【像人】（类似有意识）这个状态，我们可以抽象出一些特质，机器人如果拥有了这些特征后，能让用户觉得还不错，愿意聊下去。

那以下是笔者从过往做闲聊机器人过程中所抽象出的特质，下面会一一做介绍。

1. 人设一致性

（1）人设一致性的意义

每个社会人都有自己统一的人设，包括身份、性别、形象、性格、爱好等，人与人之间也是基于这个“本”在对话。即使是路上的陌生人问路，也会先根据对方的形象、性别称呼，比如路上经常有人找我问路，都会说：“你好，帅哥”。而这称呼，本身就是一个人物设定的表现。如果一个人人设不一致，有时候东，有时候西，那要么是这个人太戏精，要么就是神经错乱，比如下面这个人：

A：你是谁

B：我是来自广东的产品经理

A：那你平时工作都在干嘛

B：我在画建筑设计图，敲代码，修空调。

A：（这恐怕是个假的产品经理吧）

机器人也一样，需要立个人设在用户前面，才能让后者有真实感，安全感。如果机器人没有人设，会让聊天变得异常怪异。有时候回答不上来、有时候乱回答，有时候上句不接下句，用户会认为乱七八糟，沟通不了。就如Cathy Pearl在《语言用户界面设计》中所说：“人物模型的一致性，使人们能够在与它们沟通时得以预测接下来会发生什么”。

（2）设计方式

那我们要如何设定机器人的人设呢？平时我们要了解一个人，一般会从其背景信息出发，如名字、家乡、职业、爱好等；其次，通过其谈吐举止，也可以了解一个人的性格特征。

关于机器人的背景，我们需要给到它一个故事。《西部世界》中，每个机器人都有自己的身份和剧本。但用户会问机器人的哪些背景信息呢？事实是，不大可能枚举出一个人的所有背景信息，就连人都可能忘了自己很多以前的事儿。

这里我们可以从日常提问（高频问题）入手。以儿童机器人为例，在我们之前做的项目中，从线上交互数据看出，咨询机器人背景信息的query占了所有交互数据的10%以上。这类问题包括：

• 机器人的身份是什么？姓名、年龄、生日、星座、家乡等
• 机器人的能力是什么？
• 机器人的爱好是什么？
• 机器人的家庭背景、社交背景是怎么样的？

另一方面，我们需要设计机器人的性格特点，以此来体现其谈吐。性格特点可以是风趣、自信、忠诚，亦或是调皮、温暖、腹黑。

最终我们可以有这么一个故事：

我们要创造一个儿童机器人，叫小七，男生，狮子座，关键很帅，来自泰坦星永恒一组，由于星球濒临灭绝，爸爸妈妈送他到了地球，所以他留在地球和人类愉快地生活。小七性格幽默，乐于助人，但有时候也有些腹黑，教育小朋友。

（3）产品举例

笔者也找了市面上做botframework的平台，这类产品的侧重点主要在于技能定制及模型训练，而对于人设很少涉及。后面发现以下两个平台有相关设定，其中：图灵机器人涉及到的属性有性别、年龄、星座、爸爸妈妈；海知涉及的属性包括姓名、性别、生日、喜好和爸爸妈妈。人设内容不多，但这类机器人基础配置，还是必不可少的。

图灵机器人人设页面：

海知ruyi机器人人设页面：

2. 语言风格设定

（1）意义与设计方式

语言风格首先要符合人设特点。幽默的性格，机器人的回复就需要搞笑轻松一些，若是严谨的性格，机器人说话就需要严肃。想象一下，一个在法院的政务机器人，当你问它你会啥的时候，它说会泡妞撩妹，那场面真的会难以控制。

比如前面提到的小七喜欢掉书袋，那我们可以在小孩子玩游戏很久之后，提醒小朋友需要休息一下，然后看看书，或者引导其来学习古诗词。

确定了语言风格之后，就需要将这种性格特点体现在机器人的对话中。我们可以从用户所有query中，抽象高频场景进行针对性设定，使得机器人人设和说话风格一致，更像一个人在聊天，这也是我们最终的预期效果。

而在这个过程中，为了让机器人显得更加拟人化，我们也尝试加入了一些类似口头禅的feature，比如有的人习惯以“呃”来开始，有的人喜欢说“然后”来衔接。

（2）产品举例

在以往例子中，我们所发现的其中一个高频场景是：用户会重复问同一个问题（不知道是不是都是一些智能程度检验师在聊天，尴尬）。这种情况是极不建议机器人一直是单一回复，那就成了一个对话复读机了。而微软小冰对于用户这种互动，结合了她自己的人设和语言风格来回应（比如：撒娇、傲气）。

我们可以探索下微软小冰的策略：

小冰的策略是，针对同个问题，给出不同的回复。若用户重复太多次，小冰会有情绪的变化，慢慢地显得不耐烦，并且开始责怪用户，到最后干脆不回答了，直到用户说其他内容，就回复“你终于不说重复的话啦~”。从中我们可以看出，小冰的语言是很活动调皮并且较为傲娇的。

也只有这样丰富的语言体现，用户才更相信对面是个可以聊天的朋友，而不是一个无聊的智障机器人。

3. 个性化

（1）个性化意义

如同政治课本中的一句话：世界上不会有完全一样的叶子。即使如双胞胎，也会有各自的个性。我们过往发生的每件事情，让我们形成了特有的世界观，价值观，人生观。三观决定了每个人的思想不同，而语言是思想的折射，从而让每个人谈吐都是与众不同的。

相应的，机器人也应该有自己的过往记忆，从而形成自己与众不同的三观。 这样，每个机器人都是个性化的，就跟我们不同性格的朋友一样。

（2）设计方式

当然，如果要记住所有的事情，对于机器人来说是困难的，也会显得没有意义，毕竟人也有记性差的时候。那机器人需要有什么记忆呢？除了刚才的背景信息，最重要的，是要记住它的主人，即用户。

也就是说，机器人需要能记住自己主人相关的信息，包括姓名、性别、爱好等方面，甚至某些过往的交互行为。这样，当某个用户A拥有了一款能记住机子的机器人，即使市面上有其他机器人，对用户来说，这个机器人小伙伴都是独一无二的。

那要记住用户，首先得有个收集用户画像的过程。这各场景就跟男生想要了解妹纸一样，要么是自己主动了解（撩），要么是自己通过细心观察（备胎式方案），被动了解。

1）主动了解型

如果机器人想主动去了解用户，就需要找准时机，否则会显得十分突兀，甚至让用户产生防备心理。

一般来说，最好的时机，应该是两个朋友相互了解的时候。具体我们可以看以下例子：

用户：你叫什么名字呀？

机器人：我叫小七。主人你呢？

用户：我叫小八，你好呀。

机器人：你好，小八。我知道自己主人叫啥了，好开心！

用户：你会做什么呢？

机器人：唱歌跳舞，啥都会呢。小八，你平时喜欢干什么呢？

用户：我也喜欢唱歌呢。

机器人在这样的互动中，能够了解到用户的兴趣爱好，并记忆下来。而用户也会觉得这个机器人真的像自己的玩伴，从而更愿意与其玩下去。

2）细心观察型

当然，如果机器人能够细心留意用户以往说的话，也可以从中了解很多信息，从而做出很惊艳的交互表现。比如：

（早上）

用户：早上好

机器人：早上好，小八。今天周末天气很好，小八有打算去哪里玩吗？

用户：今天要跟爸爸妈妈去动物园。

机器人：听起来很棒呀。要玩得开心哦

（晚上）

用户：晚上好。

机器人：小八呀，今天去动物园玩了一天，能跟我讲讲都玩了什么了吗

用户：我今天看了斑马、狮子、孔雀。。。。

机器人：好像很好玩呀。下次小八带着小七一起去，好不好

机器人不仅能记忆，而且记性也好，让小朋友感觉真的有在关注自己，也让家长相信机器人确实是一个好陪伴，让孩子不会孤单。

通过这样的记忆，让每个机器人都成为特有的存在。每个小朋友都有陪伴自己成长的专属的玩伴。

P.S.当家里有两个小朋友的时候，如果希望机器人能够记住用户是谁，我们也可以通过声纹识别方式记住不同用户的名称。

4. 主动引导

（1）意义

一个相对智能的吹水机器人算是摆在这里了。但事实告诉我们，如果只是这样，用户不会一直和他聊下去。市面上很多机器人会宣称自己有很多能力，可以陪伴小孩子，还可以教小朋友数学、英语等等。咱先不说这些能力有没有用，好不好玩，到底能不能被用户触发，才是首要考虑的问题。

想象一下，两个人在聊天，永远是其中一方在找话题，另一方只是在附和，就算话痨也不可能永远有话题。而且，用户往往不知道要和机器人聊啥，尴尬的气氛会让前者失去聊下去的兴趣。所以，通过机器人主动引导来找话题，从而让用户不断来聊天，便显得尤为重要。

（2）设计方式

设计主动引导的时候，产品经理需要讲究策略，主要解决三个关键点：内容、时机、话术。

1）引导内容

选择引导什么内容，这个取决于机器人的能力和定位，比如一个寓教于乐的机器人，应该多让小朋友做数字游戏、诗词游戏等互动。同时，机器人如果学习（上线）了一些新的能力，也需要及时引导用户来体验，保证用户的活跃度。

2）引导时机

对于时间点的问题，我们可以选择在开头、过程中以及结尾三个timing去触发。

比较常见会在用户唤醒机器人时候去引导其体验能力，如下case便是小度音箱在过年期间的能力引导，会在用户开始闲聊之后，直接推荐响应技能。

user：小度小度，晚上好

小度：晚上好呀。先来看看明天的天气吧，稍后还有精彩节目等着你哦~

小度：明天天气xxxxx

小度：我为您整理了一些收听率很高的节目，听听看吧，觉得不喜欢可以跟我说“换个台”

但如果每次都在唤醒时引导就会显得特别生硬。我们想象一下，两个朋友在扯皮吹水，一般是从一个话题突然想到其他话题就开聊了。同理，用户跟机器人聊天，也应该允许双方聊着聊着就扯到其他话题的。

我们也不必在所有聊天内容中去想办法做话题引导。首先，应该找出用户的高频聊天场景中，比如小朋友会经常让机器人讲笑话，讲完后就可以引导做其他寓教于乐的游戏。当然，实际情况不可能如此简单暴力，触发条件需要做权重计算，包括用户各类技能的触发次数、其他引导场景的触发频率、历史引导的用户反馈（如用户说：我不喜欢）等。

最后就是在结尾的timing做引导，也就是当双方都陷入沉默的尴尬气氛的时候。拿小米音箱举例，由于是全双工唤醒，当用户每隔15s没有说话，则会主动引导一次，连续三次引导无果才会退出唤醒状态。比如：“主人你去哪儿了？告诉你哦，我最近新学了一项技能，要不要跟我一起玩呢”。这样可以引起用户聊下去的兴趣，开始新的话题，保证cps的数据上涨。

3）引导话术

至于最后的引导话术，因为不同场景的话术是不一样的，所以要保证与我们先前讲的语言风格一致，至少不能让一个很严肃的学霸型机器人突然撒娇说：“跟人家聊点别的东东嘛~”

5. 趣味性

所谓好看的皮囊千篇一律，有趣的灵魂万里挑一。说到底，一个chatbot如果不好玩，再怎么折腾也没用。另一方面，聊天机器人始终是一个To C的产品，通过运营好玩的内容，保证活跃和留存是相当重要的。这往往能给到用户意想不到的惊喜，从而产生持续对话的兴趣。

如何让闲聊变得好玩，就不得不提小冰的套路了。一方面，小冰日常会更新技能，不断刺激用户去体验；另一方面，也会在各种聊天中皮一皮，让用户相信这是个有趣的“朋友”，比如上文提到的对于用户故意使坏，一直重复单句的场景。

再比如，小冰曾经更新一个“读心术”的技能，也就是在15个问题之内猜出用户心里想的人物是谁。利用ID3决策树等算法先将人物及特征作为训练样本，再让小冰反问用户，为每个特征分类，最后选中用户的“心上人”。

通过这一个个的小游戏，可以让用户不断产生愉悦感及下次的期待感，朋友之间也是这样，总有一些共同话题和兴趣活动，才能让双方成为知己。

之前设计闲聊机器人时，小七也设定了某些套路策略。比如情人节前后的土味情话，每天用户开始进行互动的时候，以主动消息的方式来发土味情话。当时每天的土味情话在情人节期间还是带来了不少的留存和活跃的。在实现方式上也比较简单，直接利用规则设定即可，ROI还是挺高的。

user：打开聊天女仆

bot：主人你好呀。啊，你有没有闻到什么味道？

user：没有啊/什么味/…

bot：怎么你一出来空气就甜炸了啊

同样的，儿童机器人更需要这样的趣味性和新鲜感，毕竟儿童天性就是“喜新厌旧”。如果小玩伴每天都是玩同样的游戏，说同样的话，到最后一定“没朋友”。所以可以加入寓教于乐的儿童游戏，日常更新的儿童笑话，儿童故事，来吸引小朋友的注意，让孩子喜欢上这个玩伴。

6. 情感

根据马斯洛的需求层次理论，情感和归属（love and belonging）的需要是极为强烈的，缺乏该需求的人，往往会因为没有感受到身边人的关怀，而认为没有价值活在这世界上。而对于开放域聊天机器人，市场往往会将其定位为陪伴，以提供一定程度的情感需求。因此，如何让机器人感知用户的喜怒哀乐并做情感陪伴，就有很大的必要性了。

这里分为两块，其一是如何识别用户情绪；其二是机器人如何做情感反馈。

（1）情绪识别

我们暂不讨论情感识别的技术识别，而是从产品侧分析机器人要识别哪些情绪，从数据角度，就是划分哪些数据作为情感分类。

情感有很多种，态度上有喜欢和讨厌，心情上有悲伤和快乐，人际上有疏远和冷漠，等等。选择哪些情感场景做反馈，主要取决于两点：

1. 机器人定位：比如儿童陪伴场景，机器人对用户的大部分情绪都应该有敏感的识别，才能让儿童感受到陪伴的意义；而法律机器人的闲聊场景，很多情感问题可以不用太注重，机器人选择统一回复即可。
2. 机器人回复内容的颗粒度：比如在儿童场景中，小朋友骂了脏话，其实不需要了解具体骂的啥内容，都应该先引导小朋友文明用词，所以脏话内容的分类不需要太细，只要是脏话就做统一回复即可。

（2）情感反馈策略

当知道了用户开心、失望还是愤怒的情绪之后，身为“朋友”的机器人就需要有所回应。针对不同的情绪分类，机器人可以有不同的策略。这里我们可以列一下儿童场景中集中回复策略：

用户生气（说脏话）：小朋友不可以说脏话哦，这样我就不想跟你玩了，我只想跟文明的小孩做朋友呢～（教育策略）

用户生气（无脏话）：怎么了？有人惹你不开心了吗？没事，有小七陪着你舒缓心情呢～不如跟我一起听首好听的儿歌放松放松吧（引导儿童场景）

用户失落：主人，成长路上有不开心的事情，也会有开心的事情呢~至少小七一直陪着主人。对咯，我刚听了一个笑话，可笑死我了，我也让主人开心一下吧～（引导笑话场景）

用户害怕：主人你抱着我，就没啥好怕的了，我们一起变勇敢！

用户开心：主人开心，小七就更开心啦。但是，但是，你要陪小七读诗词的呢，不要忘了哦～（引导诗词场景）

总而言之，机器人的情感陪伴的最终效果，应该是真正做到：不许骗我、骂我，要关心我；别人欺负我时，你要在第一时间出来帮我；我开心时，你要陪我开心；我不开心时，你要哄我开心。嗯，最佳损友！

7. 特别说明：敏感词处理

根据2017年国家颁布的《网络安全法》第47条和68条的规定，企业要保证自己的网络运营平台内容安全，若出现敏感词等违规行为将会收到行政处罚，甚至被勒令停业整改。而作为聊天机器人的产品设计者，需要保证机器人不乱说话，否则牵连成本巨大。

所以一般我们会设计一个敏感词库，并且做日常维护更新。有了敏感词库之后，我们来看机器人的回复语料来源，主要由三种渠道：（1）人工添加；（2）网上爬取；(3）自动生成。对于（1）（2），我们会考虑在录入回复的地方做敏感词过滤；而对于自动生成的回复，一般会在生成回复的时候，过滤掉敏感词。

嗯，做个聪明的机器人，知道什么该说，什么不该说。

四、吹水是怎么练成的

这一章主要聊的是机器人的实现方式，除非是算法类的产品经理，其他AI产品经理的重点还在于用户场景，所以这块我们简单聊一下即可（毕竟说了好多了，在这段感情中累了）。

1. 检索式闲聊实现

基于对话式检索的闲聊主要使用匹配句子相似度的方式，比如先将用户消息及对话库的分类转换为句向量，再计算两者之间的余弦距离以得到语义相似度，最终将相似度最高的分类对应回复话术返回给用户。

想要转换为句向量，由词向量通过监督方法或者无监督方法获得。现在主流的词向量模型有Word2Vec、BERT等。当获得了词向量之后，可以通过各类模型获得，如CNN、跳跃思维向量、快速思维向量。

整体流程可以概括为：

（1）将query做分词等预处理，再通过Word2Vec、BERT等模型将分词结果转化为词向量，再利用快速思维向量、跳跃思维向量等方式获取句向量

（2）将生成的句向量与模型模型已经处理过的分类匹配，计算两者余弦相似度，获得相似度分值；

（3）根据分值排序，选择最佳相似问句，将对应answer返回。

当然，之前算法大大分享过：由于语料库巨大，如果每一条语料都与query计算，匹配效率会贼低。所以可以用一个高效的搜索引擎做粗粒度的筛选，选出候选答案，再进行向量方式处理。

2. 生成式闲聊实现

生成式聊天机器人采用端到端的深度学习模型，如seq2seq，会从海量对话数据中学习到问题和回复，从而对每条query都自动生成回复。翻译过来就是，回复内容不必预设，全部让机器人自己来生成。

一般可以通过LSTM等模型将输入的序列映射为固定长度的向量，然后使用深度LSTM从向量中解码得到目标输出序列。

业界的观点中，目前seq2seq的生成模型往往会出现安全回答的问题、机器人个性不一致的问题和多轮对话中的对话连续性问题。我司算法大大跟我说过，这类情况也不是没办法解决，一般会在生成模型中加入外部知识（如小冰的话题模型以及情感分类模型）来让回复更有意义。

当然，在小七的观点中，生成模型不只是会出现这三个问题，我们刚才讲到的吹水策略，才是闲聊机器人的重点价值体现。生成式虽然可以保证每条消息都能有所答复，但朋友间的闲聊，不在于有话必应，而在于用心沟通，用心交往。

当然，我也曾经天真地设想过一个方案：利用检索式满足策略回复同时，对于大量长尾的query，可以用生成回复，并引用情感等模型来保证回复内容更有意义，这个顾全大局但ROI贼低的方案活生生就被算法大大一句“天真”怼回来了，哈哈哈哈哈~

五、怎么知道吹得好不好

当我们将一个闲聊机器人构建完成并且上线了，不代表产品经理的工作就完成了。我们需要通过数据，了解机器人吹水能力是不是OK的，是不是真的达到用户预期。

平日里我们说一个人沟通能力强，能够和任何人谈笑风生，但并没有一个标准，往往都是主观判断。而机器人是一个产品，产品经理始终需要找到可以衡量价值的指标，才能证明这个闲聊机器人是否真的满足用户需求。

如上图所示，从不同的目标来看，产品经理需要关注不同的指标，比如我们设计了一款儿童陪伴硬件机器人，从上往下都有不同的指标。

对于企业来说，首先关注的就是好不好卖。产品经理就需要根据销售量情况，去设计场景和亮点，保证产品侧对销售量的提升。

从用户角度来说，产品经理就需要关注其使用情况，大部门闲聊场景都是To C，所以避免不了要关注留存、活跃，也只有这两个指标上去了，才能体现机器人陪伴的意义。其次，我们也需要关注每次对话的轮次，来了解用户是否愿意聊下去，也就是业界所说的CPS（单轮对话次数）。

从功能来说，产品经理需要考虑每个技能的使用情况，包括每个技能、场景的触发率、完成率、留存率。这类指标可以说是对整体留存、活跃、CPS的深层次现象探究，比如哪些场景的触发率高，从而提升了cps；哪些技能完成率低，导致整体活跃降低。

最后，机器人是一个智能化系统，自身也应该有一些客观标准来衡量其智能化程度。因为我们讨论的主要是基于检索式的闲聊系统，其常用评判标准有召回率、精准率和F-测度。

本文作者 @steseven 。

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！