在对话式产品中，产品功能不像传统GUI交互是直接呈现在界面上，对话式交互的功能通常隐藏在的话题里，需要通过机器人引导或推荐将功能触达用户。另外，为了避免用户在对话时，出现不知所措的情况，同时促进话轮转换、提升对话轮数，推荐和引导也是起着必不可少的作用。
题外话：有些人可能会好奇“推荐”和“引导”有什么区别？在对话式交互中，推荐一般是让用户选择想去的话题或对话路径，引导则是在某个话题内，让用户一步步深入对话。两者也具有相辅相成的关系，比如引导话术中包含的推荐选项。
对话设计中的话题是什么
话题在词典中的意义是谈话的题目，谈论的中心。就像人和人之间的交谈一样，要进行一场持续有效的对话，必定是围绕某个中心主题展开，而双方谈论的主题就是话题。一次有效的对话也并非只能围绕一个话题，如果某个话题已经结束，而一方还想和另一方继续交流，也会主动开启其他话题。
对话设计也是同样的道理，用户进入对话系统，大部分都是想解决某些问题，获取某些消息等，也不排除有纯闲聊的情况。要想用户和系统构成多轮对话，用户的每个意图目标应当都由话题来承接。否则就会做成一问一答像搜索引擎一样的对话产品。
一个话题通常对应产品里的一个功能领域，也存在多个话题对应一个领域的情况。多个话题之间会有相互串联，以形成“条条大路通罗马”的对话形态。
某个话题下的推荐及用户行为
用户进入某个话题，一般是通过用户主动发问触发，或者机器人采用主动式对话引导用户进入。当进入某个话题后，如果要按照既定路径深入对话，通常会由机器人发问、用户回答的模式来让系统主导对话进程，直到系统收集到所有必须信息，并根据这些信息执行某些行为。当机器人反问用户时，会给用户几个快捷回复选项。举个简单的例子：
Chatbot: 请问您是想要哪种颜色的T恤衫？（提供库存有的T恤颜色：红色、黄色、蓝色）
User: 红色
Chatbot: OK，已将红色T恤衫添加至购物车
该轮对话中，T恤衫的颜色是根据库存现有颜色预设好的，推荐选项通常比较固定。而且选项还会根据库存变化动态调整。当然T恤衫的推荐维度不止颜色一种， 还包括品牌、版型、材质等。这类推荐选项通常由答案决定，即有什么样的答案就给和答案对应的选项内容(这里指T恤衫库存颜色)。另外，推荐不一定要以选项的形式单独拎出来，也可以融在反问话术里，如“请问您要红、黄、蓝哪种颜色的T恤衫呢？”这种方式适用于选项数在2-3个以内，且内容不长的推荐。
然而设计上要考虑的还不止是推荐选项上的这些happy path，也要考虑用户可能会说些推荐之外的东西。还是上个例子，比如用户说了其他没有的颜色、说了多种颜色、跳转其他话题、返回某些任务节点等等。如果是单纯的移动端界面，可以通过场景化输入解决，即只提供点击输入。不过若是纯语音设备，就无法预知用户可能会说些什么。在设计过程中，尽量将用户可能出现的回答类型遍历一遍。虽然回答基本上由话题内容决定，但也可以抽象出一些通用的类型。我总结了以下几种：
1、愉悦路径（happy path）：用户按给定的推荐回答，能够顺利走通主路径
2、其他可达路径（相关路径）：用户没有按给定的推荐回答，但也能走通路径。这里出现的情况会比较多，主要分为两类，“同义”回答和“破坏性”回答。具体场景具体分析，还是举上个例子，用户可能出现的回答有：
（1）“同义”回答
·在选项前加各种修饰，如“我妈妈喜欢我穿红色”、“大过年了应该穿红色”
·说了两种颜色
·说了选项外的颜色
·说了颜色所在的顺序，如“第二个shai儿”
·……
（2）“破坏性”回答
·对某些选项进行否定，系统要能辨认和剔除用户不要的。如“我不喜欢蓝色”
·否定所有选项，“这些颜色我都不喜欢”
·反问还有其他什么颜色
· 你帮我选一个
·……
3、话题内的非可达路径：回复的内容仍在话题内，但已经跳出该场景。可能是返回前面的场景节点，比如“我再看看其他的T恤衫款式”、“黄色，但是我想换个T恤衫款式”。也可能是跳转其他场景节点，比如“我还是先买裤子吧”。对于跳其他节点的对话，在解决完其他节点的任务目标后，需要提醒用户解决之前遗留的问题。举例说明：
Chatbot: 请问您是想要红、黄、蓝，哪种颜色的T恤衫？
User: 我还是先挑挑裤子吧
Chatbot: OK，为您推荐以下几款热门的裤装品牌
……（经过几轮对话后）
Chatbot: OK，M码，黑色Selected休闲裤已为您加入购物车。刚才的T恤衫还要继续选购吗？
User: 好
Chatbot: CK圆领T恤删，请问要红、黄、蓝哪种颜色？（如果对话设备是带屏幕的，可以显示出该款式不同颜色的T恤衫图片，方便用户选择）
User: 红色吧，帮我结账
4、偏离或跳出话题：这里指的跳出话题，和跳其他场景节点意义不同。跳其他场景节点仍然是在话题内，比如“买东西”话题之间的节点跳转。跳出话题指已经不在这个话题内，而是跳转其他话题。比如从买东西跳转到问天气。不过，和跳其他场景节点一样，当用户在其他话题下实现目的后，还是要回过头来反问用户之前尚未解决的问题。（可以将话题理解为领域、垂类。解决的是不同领域之间的跳转、衔接问题）
Chatbot: 请问您是想要红、黄、蓝，哪种颜色的T恤衫？
User: 对了，周末天气怎么样？万一下雨约不了会，衣服就白买了
Chatbot: 周末杭州多云，2至11度。刚才的T恤衫还要继续选购吗？
User: 好
Chatbot: CK圆领T恤删，请问要红、黄、蓝哪种颜色？
User: 红色吧
5、长时间未给出答案：用户可能因为在思考问题，或处理其他事务，而没有立即给机器人答复。如果用户静默的时间较长，系统可以再次追问用户。一般追问1次即可，仍无响应则结束会话。
Chatbot: 请问您是想要红、黄、蓝，哪种颜色的T恤衫？
User: Umm……我想想……
（设置一定时长后再次追问）
Chatbot: 亲~还在吗，你是要什么颜色的T恤衫呢？
6、结束会话：结束会话存在两种情况，主动结束和被动结束。主动结束即用户通过语言或行为主动结束和机器人的对话，包括意图已经实现后的结束，以及意图未完成的结束。被动结束则是用户长时间未响应，由系统结束对话。
用一张逻辑结构图展示上面6种情况：
从一个话题引导至其他话题的推荐及用户行为
不同于用户在遍历某个话题的途中跳转其他话题，这部分主要介绍用户在走完某个话题，完成某个意图后，系统如何给用户推荐。还会提到用户在对话里无任何行为时，系统又该如何推荐。
当用户实现某个意图，对用户而言任务已经完成。如果是在传统界面，用户可能会直接退出应用，而对于对话式交互界面，为了提高功能曝光度，或是对上一个话题的补充、优化，我们还会推荐其他相关话题。推荐的话题可能是在同一领域下的不同话题，也可能是跨领域的话题推荐。推荐的话题要和上个话题具备关联性，并且满足以下条件之一：
1、在某种程度上能帮到用户，在用户下次执行该任务时，可以提供极大便利。
Chatbot: 一切准备稳妥，你定的玫瑰即将送出
Chatbot: 对了，要是加入我们会员，下次订购还可以享受优惠和“极速达”服务，需要我帮您加入会员吗？
User: 好的
……（后面是一系列关于“加会员”的对话）
2、用户在实现上个意图后，有可能会涉及到的功能。如果机器人平台没有提供该功能，用户也会转而去其他有这一功能的应用。这类推荐可在一定程度上提高用户效率，避免用户在应用间跳转，实现完整任务链路。比如用户在选完约会的餐厅后，可能会预约打车服务。
Chatbot: 好的，外婆家今晚6点，两人，已提交订餐信息
Chatbot: 要帮您预约专车吗？
User: 好的
……（后面是一系列“打车服务”的对话）
3、根据用户个性化数据，判断用户很有可能会感兴趣的话题。如果用户在实现某个意图后，经常执行同一个操作，那么下次可以把后续操作直接推给用户，或自动帮用户完成。以用户测量血压的场景为例
User: 我的血压测量结果怎么样？
Chatbot: 收缩压132，舒张压90，心律92次每分钟
Chatbot: 需要将该测量结果发给您的家庭医生吗？
User：好的
……（系统自动帮用户发送数据）
4、多数用户感兴趣的话题或是一些热门、热点话题，帮助用户接收更丰富的信息。
User: 巴黎有哪些热门景点？
Chatbot: 埃菲尔铁塔、卢浮宫、巴黎圣母院、凯旋门等
Chatbot: 顺便说下，卢浮宫近期有几个展览值得一看，要具体了解下吗？
User: 好的
……（后面是一系列关于展览的介绍）
从一个话题引导到另一个话题，用户也会出现以下几种应答情况：
·回答的内容属于推荐话题范围。根据上面介绍的“话题内引导”场景，用户可能会走愉悦路径，也可能走话题内的可达或非可达路径。
·主动开启其他新的话题。用户不按推荐的话题走，而是知道自己想了解什么。
·长时间未应答。用户对于机器人开启的话题没做任何回应。处理方式同样可以再次追问，若仍无应答则关闭对话。再次开启对话，则默认以系统初始状态处理。（话题内的引导推荐则需要根据任务路径的长短，选择是衔接先前的对话，还是重启对话。）
·结束对话。用户通常对推荐的话题持否定态度，以结束当前对话
当然，并不一定每个话题结束后都要推荐其他话题，过多无意义的推荐反而会造成信息过载。而且还会干扰用户，无形中给用户压力，最终导致用户对机器人反感。