前言：本文作者是团员“大番薯”，“交互式课程推荐BOT”这个重度干货非常长，将会分成3篇文章来叙述，本文是第2篇；也欢迎有更多的团员们来分享你的AI干货～

注：第1篇文章在《团员分享_交互式课程推荐BOT尝试心得（1）_@大番薯_20200519》

• 背景（何谓交互式推荐？为什么在课程推荐场景要做交互式对话？交互式对话和任务型对话的区别）

• 一、角色定位

• 二、意图设计

三、对话管理

对话管理模块，分为用户对话状态跟踪+对话策略生成。

通过BOT与用户交互式的对话，引导或限定用户的回答范围，理解用户的意图，管理对话的状态，基于状态进行对话策略的判断，从而生成下一步的动作。

这里就涉及到几个关键点：

1）对话如何设计：包括BOT的对话的类型和话术，根据用户可能的回答来设置不同的回复方式

2）对话状态：包括用户全局状态，和在语境中上下文所处的状态

3）对话策略：基于对话状态进行对话策略的设置和判断，从而生成下一步动作

4）对话生成：针对每个BOT动作，生成对应的话术

1、对话设计

在对话流中，首先需要考虑BOT的说话都有哪些种类。在这个场景下，除了开场白/结束语，其余的总结为三个大类别：提问、回复、推荐 

1）提问

• 有哪些不同场景下的问题类型

总结了如下不同的问题类型及问题：

• 用户如何答

拆解完有哪些场景下的问题以后，最重要的是设想每个场景每个问题下面用户可能的回复。如何预测用户的回复，并作出应对？

即使在强话术引导的情况下，用户的回答也可能是千奇百怪，不按照你的既定套路进行的，所以需要做好各种情况下的预判和回复话术。

在这里也赞一下饭官大人的分享，笔者之前在整个项目过程中时，也经历了测试时期焦头烂额的情况，测试的时候才发现很多异常情况没有兜底回复，究其原因还是一开始没有想清楚用户在每个问题下可能的回复，拆解得不够清晰，在看了@饭官大人 的文章以后，有了豁然开朗的感觉，感觉分享的这一套方法论在交互式推荐的这个场景下，还是蛮适用的。

方法论中，用户可能的回答有几种情况：

A）跟随 也就是乖宝宝型，我就是按照你的套路认真填充

B）筛选与修订 在课程推荐的场景下，就是对BOT给出的对话选项或者是否问题不满意，人为回答了一些其他的回答。比如BOT问职能一、职能二、职能三当中你对哪个更感兴趣的时候，用户回答“都不感兴趣，我喜欢职能四”。

C）关联咨询 比如推荐课程以后，针对不太理解的名词，会进行QA问答。或是针对课程详情中的各种属性有一些疑问，均可能产生问题，比如：xx课的讲师是谁？/ 有没有其他跟这门课类似又适合xx职能的课程？

D）无意图表述 

无意图表述本身可能包含很多种情况，如下：

我也不知道/ 稍等我想想/ 我不喜欢你的推荐 /你看着办吧/随便吧 /你怎么总给我推荐这个/ 你推荐下吧

这里针对无意图表述，利用情感模型识别出了喜欢/不喜欢的情况（如果有槽位也会抽取）

比如 “我不喜欢你的推荐” 这句话，会被识别成“负向情感”，接下来可能会请求用户问具体不喜欢的点。

还有 【推荐】这个意图，即使没有明确方向，还是会被识别出来的，接下来会通过各种随机问题去增加话题，激发用户的兴趣，找到推荐方向。

剩余的无意图表述，在每种状态下面可以配置不同的回复策略。

E）命令控制 这个场景下暂时不存在

F）用户表达跳出/退出

跳出是跳出当前对话，在这个场景下主要是用户明确表达否定意图或拒绝继续当前的推荐，这时候可以跳出当前推荐流程，切换到其他话题；

退出则是明确说再见，是整体这轮对话流的结束。

增加挽留确认话术和退出引导话术也是继续对话比较重要的，有时候用户可能只是对当前的推荐流程不太满意，但还不至于退出整个对话流，因此跳出的时候需要增加挽留确认话术，猜测用户感到厌烦的点，切换其他用户可能感兴趣的点。同样退出的时候，加上引导话术也是给用户更好的体验。

其实拆解完用户如何答以后，用户的意图模块也补充得差不多了。

• 提问的类型

提问的类型也是要依据不同场景和语境进行切换的，同时需要根据用户可能的回复设置不同的提问方式，大致分为以下三种：

A）开放型：不限制用户的回答，提问的问题属于开放型的问题，但由于整体属于课程推荐的场景，正常情况下预期用户的回答是局限在这个场景下的，因此，如何设计针对性的提问会显得比较重要。比如：现在是互联网大数据时代，技能傍身不用愁，你有没有想要学习的技能呀？

B）选择型：提问中提供几个选项，让用户进行选择。比如：你是男孩子还是女孩子丫？ / 我统计了跟你同职能的职场人士，职业路径发展的top3是：职能1，职能2，职能3，你对哪个职能比较感兴趣？

C）是否类：事先生成了一些需要确认的信息，通过是否类的问题来让用户进行确认。比如：需要我为您再推荐一些课吗？/ 看出来你很喜欢xx相关的内容啊，要我再为您推荐一些类似的课程么？

这三种类型，开放型给用户最为自由的权利，其次是选择型，最后是是否类。

开放型在给予用户极大权利的同时，也带来了极大的不确定性。因为用户会针对你的问题产生各种各样的回复，如果开放型太多，没有做好异常回复管理，用户心理预期反而会下降。

解决方案就是在设计的时候，尽量引导用户，使得用户正常回复的范围是限定在某个领域下的。比如用户反馈不喜欢的理由的时候，BOT可以引导说：“我发现你对xx课不太满意, 能否告诉我具体对哪方面不满意？你可以从讲师、兴趣爱好、行业领域、适用岗位、推荐力度这些角度来考虑，方便我重新推荐更合适的课程给你。” 而这些领域，正是算法会着重识别并理解，最终反馈到推荐效果的方面。这样一方面给了用户一个心理预期，一方面也会使得用户的感知更好。

选择型的问题有两种类型，一种是枚举型且数量较少的，比如性别、学历等；另一种是为了引导用户按照既定的思路和节奏走。这里需要注意的是，用户不按照既定选项回答的情况，要怎么回复。

比如BOT问：你是男孩子还是女孩子丫？ 

此时用户回答：变性人

当然带有一定的调侃，这时候是直接认怂，走兜底策略承认自己听不懂；

还是继续进行追问，追问的话要追问多少次；

或是有一些特殊的设置，比如针对这问题：我统计了跟你同职能的职场人士，职业路径发展的top3是：职能1，职能2，职能3，你对哪个职能比较感兴趣？

用户对提供的这些选项都不感兴趣，他可能会回复：这些我都不感兴趣

针对这一类回复，可以新设置一类意图：用户对BOT问题明显表示拒绝或否定

识别到这个意图以后，进入对应的状态，再配置对应的话术和动作，就可以覆盖这种情况了

以上，是我举的一个例子，说明了在每一个选择型问题下面，都需要对用户可能的回复进行预判，并抽象出通用的用户意图并进行对应的处理。

是否类的问题在这个场景下比较单一，主要集中在BOT问是否要再推荐一些课程的时候，或是BOT通过前面的反馈行为理解了用户偏好后，主动发问是否要推荐类似课程的时候。

这时候只要识别用户肯定/否定的意图，在肯定意图的时候，配置话术，并根据用户画像进行推荐；在否定意图的时候，可以给出合适的话术；其他情况下，认怂走兜底话术就好了。

• 每种问题的问法有多少种

每种问题下，是可配置多种不同问法的，可以设置每次随机抽取一种问法进行提问。具体问法的话术就要涉及到语感层面，怎么问会让人比较舒适，且人格整体是一致的

• 固定问题 VS 随机问题

这个问题的提出，主要是经历了前后的两个版本。一开始设计问题的时候，将问题分成了：开场后的固定问题，根据用户反馈后必出的问题，还有学习一段时间对话以后根据用户画像偏好生成的问题。固定问题是事先设置的，并且在开场后就会出来，无非是问性别、年龄、职业、爱好等等，先收集一波用户画像。

试验了一个版本之后，感觉效果并不好，遂将这些预设的问题切换成了随机问题，只在开头问一两个问题，接下来每次顺利完成一个推荐过程无话可聊以后，会随机生成这些问题提问，也就是“找话聊”，继续对话流。

如何做到在没话聊的时候自动找话聊呢？具体的方案是给每一个动作设置一个优先级，比如类似这些问题优先级就比较低，正常推荐反馈再推荐的流程中的动作优先级就比较高。

在随机问题中，还可以设置每个问题是否能被重复触发。因为有些比如性别、岗位，不可能问了一次以后继续重复问，会显得很傻；而像爱好、想学的技能这种，可以设置问多次。

总结固定问题和随机问题两者的区别，主要是：

固定问题：具体的问题，用户会感到压力，有种被审问的感觉 

随机问题：具有随机性，在没话聊的时候出现，顺利推动对话的进行，可能给人惊喜感

对于这两者的看法，可能也是见仁见智。笔者有同事体验以后，发现随机出问题反而会对他产生困扰，导致他感觉很乱，没有一条清晰的主线，反而是起了副作用。这也带出了下面这个话题：对话的整体节奏。

2）整体节奏

交互式推荐主打的就是交互式的对话体验，肯定需要考虑整体节奏如何更合理，让人更舒服。主要有两个点：

• 被动式 & 主动式

• BOT主动多一点 or 用户主动多一点

目前版本的设定是，交互式对话应该在掌握整体节奏的情况下，更多地去引导用户，理解用户，推动对话的进行，因此每一轮对话结束后，必定会出现回复、推荐、提问的行为。

这里有一个值得探讨的场景，就是当每轮推荐课程后，BOT会让用户去点赞点睬，一旦进行了这个操作，下面就会针对评分进行互动，比如问一些反馈理由等等，方便更精准地推荐。但是评价的行为不是强制进行的，因此没有互动的时候，BOT会默认认为用户不感兴趣，或是用户本身的习惯就不喜欢操作，为了推进对话进程，接下来会切换问其他话题的问题，就是上文提到的随机问题。

针对这种设定，采访发现两拨人有不同看法，赞成的人认为对话推进较好，如果还在看推荐的课程，那直接忽略下面的提问就好了；不赞成的会觉得我还沉浸在上面推荐的课程中，这时候出问题，会打断我之前的进程。

这两种想法都能理解，个人其实比较偏向不赞成，更希望通过前端的交互体验来改善，比如通过记录用户的操作和浏览，或设置一定时间以后，推测用户对推荐内容不感兴趣，已经完成了浏览以后，再继续问问题，这样在浏览过程中不至于打破用户的进程。

关于BOT主动多一点 ，还是用户主动多一点这个问题，在交互式对话中也是很关键的一个问题，因为这个度很难把握。一旦把握不好，BOT太主动，用户会感觉丧失了主动权，被你牵着鼻子走；而BOT如果太不主动，又没办法推进对话的进程，很多时候一旦一轮对话结束以后，用户会不知道接下来可以干嘛，从而疯狂地尝试输入对话，很可能一下子就走入了死穴。

要想达到最佳的效果，个人认为还是需要有很有趣的话术引导，通过NLU的能力理解用户跟你说什么，并且在适当的时机随机出一些功能，带来惊喜感。同时，也要给用户足够的自主权利，比如用户可能已经有了很明确的方向了，根本不想听你这么多引导，那就要明确告诉用户有哪些意图是直接可以支持的，用户可以直接说，简单高效，直达最终目标。

交互式推荐如果能给人带来很好的体验，核心一定是底层NLU的理解能力，理解得好了，我会觉得你做什么都对，再加一点小惊喜就很完美了；理解得不好，所有的主动引导就变成了累赘，越说我越烦。这是我深切的体会。

3）回复

回复行为每回合可以无限多个，且出现在提问行为之前。因为每轮回复的优先级肯定是最高的，接下里没话说了才会进行提问或推荐。

4）推荐

推荐行为是每轮对话最后的基石，前面的所有对话都是为了引导到最后推荐的行为，可谓是最重要的行为。有别于传统推荐，BOT推荐场景，有以下几点需要着重考虑。

• 推荐时机

什么时候算是一个最好的推荐时机？用户有明确意图的时候，可以直接推荐；相反如果用户不清楚要看什么课程的时候，要通过各种引导，在对话的过程中，让用户找到欠缺的知识点，或者激发潜在的兴趣，一旦get到有用的信息点以后，就可以直接推荐。

要注意的是，在对话整个过程中，大部分画像推荐之前，需要向用户确认是否需要推荐，除非是用户很明确的意图来推荐，或是BOT在问的时候，已经提前预告过需要根据用户的回答来做相应推荐了，那就可以直接推荐。

请求确认，这是对用户的一种尊重。

• 推荐类别

推荐的类别一共分为三种：

A）搜索推荐：抽取用户话语中的槽位，根据职能/技能/爱好/讲师等单维度直接推荐课程

B）画像推荐：根据对话历史中积累的用户画像和偏好，结合上下文信息，推荐课程，主要涉及到合理的推荐课程排序呈现

C）相似推荐：针对推荐出来的每一门课，都可以推荐跟这门课相似的课程

搜索推荐和画像推荐的区别，可以从用户来使用这个BOT的动机出发。说白了，用户如果来这里就是有很明确的目标和需求，那就是直接走搜索，如果推荐得好，一轮就可以解决问题；

完全没有目标，纯粹靠用户行为反馈，就变成了信息流推荐；

如果推荐效果不满意，可能会有很多因素，可能课程确实是相关，但是某些力度不够匹配，或者仅仅是不喜欢讲师风格等等。通过多次的反馈，理解用户的目标，最终反馈到推荐结果上面，这就实现了一个小闭环。

用户满意了以后，是否还需要继续推荐？或是问用户是否要推荐类似课程？

不喜欢评论的用户心态是什么样子的？如果每轮推荐课程后都不反馈，便会一直切换话题，不停地进行推荐，这样是否合理？但如果不切换话题，对话流就不会继续，用户会知道如何继续对话么？也许有一部分用户会希望主动问BOT，大部分用户可能会不知道如何继续对话。

如果每次以用户满意为一个小目标小闭环，为了继续推动对话，接下来还会针对其他话题进行提问，但下一次的话题可能与上一次话题偏差较大，此时当前的画像更新后，根据画像推荐的课程中，如何平衡历史对话中所有涉及的画像维度？如果在toC场景下，采用传统信息流的样式，推荐课程的数量一定不是个问题，但BOT由于受到样式的限制，导致设定每轮只推荐三门课程，不可能覆盖全部的历史画像维度，此时如何展示，让人体验更好？

以上的问题，我也一直在思考，但到底什么样的方式是最好的，我还没有一个特别明确的答案。

• 推荐场景

可能出现的推荐场景如下：

2、对话状态

1）用户状态

2）系统全局状态

3）BOT当前状态 & 对话策略（包含状态成功、失败、拒绝时的BOT动作）

所有状态正常退出时，默认先回复用户，动作为reply_xxx

凡是带await的状态都是等待用户对上一轮bot问出的问题的回复, 不带的都是主动识别到的意图

下表罗列了所有的当前状态、对应含义：

对话策略模块，主要的流程为：

识别用户意图——判断系统进入什么状态（考虑用户状态+系统全局状态+BOT当前状态）——根据当前状态下成功/失败/拒绝的情况决定下一步动作——有下一步动作的根据每个动作对应话术，走话术+action；没有明确动作的进入随机提问状态，根据提问优先级出随机问题。

3、对话生成

对话生成模块，主要需要厘清所有可能的BOT动作，在每个动作下需要生成对应的话术。如何根据BOT动作生成对应的话术？是这个模块主要考察的点。

生成话术一些基本考虑的点在对话设计中基本已经覆盖，在此不做赘述。

1）话术引导

• 通过话术引导用户，激发用户潜在的兴趣，在用户无目的无目标很迷茫的时候，发掘出自身的需求

• 考虑用户成本，在跳出/退出意图时，增加挽留确认和退出引导

• 在封闭域推荐场景，尽量不要给用户太过开放的回答形式，使用话术限定

• 尽量多模拟真实场景，考验共情能力

• 整体BOT人设一致

• 多增加共情话术，表示理解了用户的话，可以通过一些trick达到

2）话术限定

通过BOT的不同问法，限定用户的回答范围，使之不至于偏差太多

3）动态话术生成

一旦获取到某个标签，比如性别、技能、职能等用户画像字段，每一个维度都会预设一些话术生成的模板。笔者所在公司深耕于人力资源领域，所以底层具有丰富的知识图谱资源，利用职能与技能关系、职业路径发展等，可以生成一些模板，并融入到话术中，如下例：

• 职能-技能关系

我掐指一算，80%的{职能名称}都对这些专业技能和优秀素质感兴趣：{技能列表}<br />你对哪个比较感兴趣？我可以给你推荐相关课程哦

• 职业路径发展

我统计了跟你同职能的职场人士，职业路径发展的top3是：{职能名1，职能名2，职能名3}<br />你对哪个职能比较感兴趣？

这样子确保了每个生成的问题都是动态随机的，不会死板。

4）BOT动作 & 包含功能 & 对应话术模板

BOT会根据对话状态来选择反馈行为，动作行为一共分为三种：推荐reco、提问ask、回复reply。

每次BOT说话必会出至少一个提问/推荐行为来推动对话流进行，回复行为每回合可以无数个，且出现在提问行为前。

每个动作可以设置触发条件，比如一些依赖槽位成功获取以后才会触发。

注意：首次和非首次的话术可以有所区分

推荐模块会在下一个章节详细介绍。这里主要介绍动作中包含的几个功能：

• 感兴趣问题生成

根据用户的历史对话记录和反馈行为，发现用户偏好，生成问题，在无话可聊的时候提问：

根据历史对话记录，我发现你对{like}相关内容较感兴趣，需要我再为你推荐些这方面的课程吗

• 情感分类

1、在用户反馈喜欢/不喜欢理由的文本中，判断用户喜欢或不喜欢的情感

2、全局判断用户是否抱怨的意图，如：别再给我推这些课了。一旦识别到该意图，BOT会说：

好的, 看出来你不喜欢关于{标签名}的内容, 以后的推荐中为你避免这些内容

设置第二个功能，主要是考虑到很多人可能不适应交互式主动对话的场景，且当推荐效果不尽如人意的时候，很容易产生负面情绪，需要这样一个全局意图来解决

• query理解抽取喜欢/不喜欢标签

这个功能是情感分类的下一步，从用户反馈的文本中，抽取出具体喜欢或不喜欢的标签，这个需要一波语料进行训练，在这个场景下可能的回复大致如下，截取了其中一些片段：

我更喜欢like老师的课

相比较dislike老师，我觉得like老师在这方面讲得更好

我(觉得/认为)like老师的课讲得很精彩

我不太需要掌握dislike相关的技能

这门课讲的内容比较偏重dislike，但我想要跟like更相关一些的内容

我喜欢like，不喜欢dislike

我喜欢like相关的内容，但是不太想要dislike的内容

我觉得这门课比较适合dislike行业或领域，不太适合我

抽取到喜欢/不喜欢标签后，会针对不同情况回复不同模板：

我明白了, 你可能喜欢{like_vals}相关的内容, 不喜欢{dislike_vals}

我明白了, 你可能喜欢{like_vals}相关的内容

我明白了, 你可能不喜欢{dislike_vals}相关的内容

好的，收到您的反馈

• 共情

共情的功能第一个是体现在话术上面，当每个状态失败、拒绝或服务异常的时候，会配置相应的话术。

下面举一些例子：

第二个是，当用户回复兴趣爱好后，利用小样本多分类模型，将标签分类到事先定义的某一个兴趣类别标签，并配置不同的呈现后缀，比如当用户说喜欢网球时，回复：看出来你是个运动健将呀

第三个是，用户面对获取画像的一些问题回复后，针对每个回答中的关键词，会生成对应的问题，并给出相应的解释，也可能直接回复关键词对应的解释。主要是基于丰富的问答语料和百度百科info box来进行训练，生成答案。下面举一些问答的例子：

• QA

用户针对每个标签进行提问，触发QA模块后回复

主要在用户针对推荐课程的一些专有名词不清楚时，进行提问，会实时从百科抓取词条对应的解释。

-什么是人工智能？

-认真搜索了知识库, 人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

• 下面罗列了具体BOT action和含义

 未完待续：

四、推荐：包括搜索推荐，画像推荐，相似推荐

五、测试&评价

六、落地应用场景

七、可优化方向

-END-

以上内容，来自饭团“AI产品经理大本营”，点击这里可关注：http://fantuan.guokr.net/groups/219/ （如果遇到支付问题，请先关注饭团的官方微信服务号“fantuan-app”）

---------------------

作者：黄钊hanniman，图灵机器人-人才战略官，前腾讯产品经理，7年AI实战经验，10年互联网背景，微信公众号/知乎/在行ID“hanniman”，饭团“AI产品经理大本营”，分享人工智能相关原创干货，200页PPT《人工智能产品经理的新起点》被业内广泛好评，下载量1万+。