之前的推送中，介绍了聊天机器人目前的发展。本篇主要介绍基于规则的，检索的聊天机器人引擎 - Bot Engine.
问题域
Speech to Text => Logic => Text to Speech
STT和TTS，目前有很多厂商提供技术产品：
Speech to Text 语音识别技术
Google Cloud Platform, IBM Watson API, 云知声，科大讯飞
Text to Speech 语音合成技术
IBM Watson API Docs demo
经过多年的研究，尤其是深度学习的采用，在这两项技术上取得了突破性进展。今天本文所要讨论的是logic，而且是基于规则引擎的logic, 基于机器学习的部分将在以后的文章中讨论。
Conversation Model
在两个人之间的对话，可以用下面这个模型表示，双方头脑中所要向对方表达的目标，需要通过语言来交换意见，为了达成共识，二者需要在一个语境下。
https://vimeo.com/43677920
为了支撑这个模型，在设计Bot Engine过程中，要考虑如下的要点：
低成本的构建对话
能区分不同类型的对话
规范化输入
高效率的规则引擎
用户画像
回复时，考虑对话的历史记录
低成本的构建对话
构建聊天内容最好是不需要有开发技能，而且有的开发者也没有很好的聊天的技能。即便像Botframework这样的大厂的产品，在构建对话时，都不够友好，只能面向有开发技能的人，而且是一种硬编码。这样对于维护对话很不利。
使用Botframework的waterfall，设计对话的人需要了解builder.Prompts接口和session.beginDialog|endDialog。这样做很不合理。
exports.start = [(session, arg, next) => {
builder.Prompts.text(session, "Do you want to start Class now?");
}, (session, results) => {
co(function*() {
return yield watson.sentiment(results.response);
}).then(function(o) {
let reply;
switch (o.docSentiment.type.toLowerCase()) {
case 'positive':
reply = '_begin_';
break;
case 'negative':
reply = "Got it."
break;
case 'neutral':
reply = "Ok, then.";
break;
}
if (reply == '_begin_') {
session.beginDialog('/daily_lessons/vocabulary');
} else {
builder.Prompts.text(session, reply);
session.endDialog();
}
});
}];
而另外一方面，使用script的方式，显得更合理，比如SuperScript.
+ Do you want to start Class now?
- start_class
+ ~yes
% Do you want to start Class now
- Great, ^redirectTo(/daily_lessons/vocabulary)
+ ~no
% Do you want to start Class now
- Ok, then.
还有rivescript, chatscript, 同样类似于superscript方式进行构建对话。
能区分不同类型的对话
设计对话时，至少有三种类型的对话:
system
系统对话，只能聊一次，或者只能由系统主动发出。比如自我介绍，bot和小明进行初次对话，bot会问：“你叫什么名字？”。小明回答“小明”。那么bot就知道"id:xxx"是小明。而将来bot都不应该再问这个问题。
daily
这些是bot可以重复和用户聊的主题，可能并不是每天，它们可以每隔一段频率就触发，比如：问候，节日祝福，“你在做什么”, etc.
business
和一些闲聊的机器人不同，bot应该提供一些价值，这些价值可能是个人信息助手, 导购, 教育, 播放音乐。
声明对话类型:
> topic:business (vocabulary class)
+ Do you want to start Class now?
- start_class
+ ~yes
% Do you want to start Class now
- Great, ^redirectTo(/daily_lessons/vocabulary)
+ ~no
% Do you want to start Class now
- Ok, then.
<
所以，一个对话看起来像是这个样子。
规范化输入
表达同样的意思，可以有多种表示方法。
whats the color of the calanders
what is the colour of the calenders
what be the colour of the calender
在将输入语句传给规则引擎前，要先做规则化处理。比如：
1) tokenized - 分词
2) stemmed - 英文单词取词根
3) lemmatized - 英文单词变形的归类（例如单复数归类)
4) part-of-speech (POS) tagger - reads text in some language and assigns parts of speech to each word
5) named entity recognizer (NER) - [ labels sequences of words in a text which are the names of things]
(http://nlp.stanford.edu/software/CRF-NER.html) 专有名词 - 人名、地名、组织名、URL链接、系统路径等
这里需要结合很多工具库来实现：NLTK, Stanford CoreNLP, Jieba分词，Wordnet, ConceptNet.
比如，借助Stanford CoreNLP，可以有下面的标注：
经过规范化输入，在规则引擎中，可以依赖词性和函数实现更智能的回答。
高效率的规则引擎
Bot可以有大量的主题，即便是只有100主题，每个主题15个对话，那就是1500个规则。如果只是单机运行，至少要进行下面两个优化:
排序
通过聊天的记录和关键字，先给对话栈排序。
排序的思路大概是这样：
1） 查看当前对话，是否还有下文，一个对话的下文可以对应多个规则。
如果有下文，检测是否一个规则能匹配上输入。如果匹配上了，回复。 如果没有下文，或者没有规则能匹配上，进入次优匹配。
2） 次优匹配是将聊天主题的历史记录，使用TF-IDF算法进行排序。
简单说，就是使用一个函数计算用户聊天的对应主题频率。给不同的聊天主题加权重。在次优匹配中，都是处理用户曾经聊过的主题。
3） 在次优匹配中，没有命中，进入其他匹配。
其他匹配包括了以前没有聊过的主题。
并发
在排序后，去同时处理匹配运算，将命中的规则的回复，按照排序的顺序放到数组里，然后，从数组中取第一个元素。这样就比按照顺序一个一个检测快很多。
比如，一些Node.js模块：async。
用户画像
在和用户聊天的过程中，获取到的用户相关的信息，有必要记录在数据库中，这其实是构建知识图谱的过程。
知识图谱所用的数据库是存在三个字段的结构化数据:
{
"subject": "Mao",
"predict": "chairman",
"object": "China"
}
由此构建了一个关系：
而B又可以跳转到D。
目前，较为成熟的商业产品和开源方案都有。
Google Knowledge Graph API
cayley graph
在Bot Engine中，可以得到相关用户的Knowledge Graph.
this.user.memory.get( ...)
this.bot.createUserFact( ...)
使用知识图谱，除了对实体之间完成关系构建外，还有一个原因是，搜索速度非常快，搜索功能强大。
SuperScript
介绍了这么多，那么到底怎么实现一个Bot Engine呢？经过了很多比较后，我觉得基于SuperScript实现Bot Engine是可行的。主要是下面这几点：
社区活跃：目前稳定版本v0.12.2没有bug, 最新版v1.0.0也在快速开发。
轻便灵活: 将SuperScript的源码读了一遍，觉得即便是作者不维护了，我也可以维护。
功能强大：在上面讨论的问题中，SuperScript都是有涉及的。
对话脚本
topic type - 话题
conversation - 对话
function - 插件和函数
Get started
npm install superscript
var superscript = require("superscript");
new superscript({ ...}, function(err, bot){
bot.reply("userId", "hello", function(err, reply){
// do your magic
})
})
Conclusion
很多人预计2017年，AI方向最可能取得成功的领域是聊天机器人。那么，在这种情况下，面向聊天机器人的架构设计，是一个热门问题。包括Google，Facebook都有可能发布类似于微软的Botframework平台。而Bot Engine, 一种处理对话的引擎，起着很关键的作用。在开源社区，还没有看到哪个呼声非常高的实现，SuperScript，至少在JavaScript社区，是一个不错的选择。
在下一篇文章中，我将介绍使用深度学习技术，依靠聊天语料，训练Bot Model.
Reading List
NaturalNode - General natural language facilities for node.
SuperScript - A dialog system and bot engine for conversational UI's.
Stanford CoreNLP - a suite of core NLP tools
Natural Language Toolkit - NLTK is a leading platform for building Python programs to work with human language data.
How to Cook a Graph Database in a Night - A Knowledge Graphic tool based on LevelDB.
◆ ◆ ◆ ◆ ◆
张洋铭，投资人中最懂动漫的程序员，负责PlugandPlay早期科技类项目投资，个人关注动漫虚拟助手。
微信公众号：张洋铭Ocean（ocean_anidata）
BP请投递至：[email protected]
本文作者：王海良 原文地址：http://eng.snaplingo.net/approaching-a-chatbot-service-part-2-bot-engine/