聊天机器人，全天候的智能助理

在最近Gartner发布的2018年十大战略科技发展趋势中，会话式平台（Conversational Platforms）与人工智能基础（AI Foundation）、区块链（Blockchain）等顺利入选。而聊天机器人正是会话式平台的实际应用。

聊天机器人的展现形式多种多样，可能是展厅、银行里能跟你对话的实体机器人，可能是网页或者手机App里跟你对话的会话窗口，可能是客服电话中智能的语音系统，也可能是车载系统里能跟你对话的音频设备。不管怎样的展现形式，简单来说，聊天机器人是一个尝试与人保持交谈的电脑程序。

近年来，提升用户体验，一直是各大企业追逐的目标。而聊天机器人带来的最直接的价值，正是提升用户体验。

20年前，企业给用户提供服务，大多是通过面对面的方式完成。10年前，用户习惯了通过网页获取服务。现在，人们已经离不开手机。用户获取服务的形式一直在改变，用户体验也一直在提升。有人说，现在移动互联网发达，很多事情通过手机App，点几下按键就能完成，用户体验已经很好。然而，真的是这样吗？

举个简单的场景，试想你家的电视坏了，一个电视的维修专家正站在你身边，你是会打开手机，查询电视坏的原因，还是会直接问你身边的维修专家？我想大部分人会选择直接问专家。为什么？因为问专家更方便，因为用户在使用最直接的获取服务方式——对话，而不需要打开手机，找到相应的App，找到提问的菜单、按钮、界面，填写表单，然后等待回复……

没错，身边这位专家为你提供了更好的用户体验。而聊天机器人，正是7*24小时在你身边，为你提供专业服务的专家！通过聊天机器人，你可以通过最自然、最直接的方式，基于自然语言的对话方式，发布指令及获取服务。你甚至不需要下载、安装、升级你的App，直接通过你最常用的客户端，如微信，与聊天机器人交流。

而对于企业，也可以免除频繁的发布、更新App，只需持续改进、训练后台的聊天机器人，就能为用户提供最新的服务，同时也可以借助热门的社交平台，为更多的用户提供服务。

目前较常见的聊天机器人，大部分提供FAQ服务，也就是基于后台知识库，回答用户常见的问题。

而为了更好的使用聊天机器人为用户提供服务，仅仅提供FAQ服务是不够的。聊天机器人还需要能够帮助用户，执行相应的任务。

在介绍甲骨文聊天机器人服务前，我们先来看一个简单的用户请求：

用户通过聊天客户端，发出请求“我要一杯大杯的拿铁”。此时，聊天机器人获取用户请求后，应该为用户下单，通知咖啡师为用户做“一杯大杯的拿铁”。为此，聊天机器人需要能够：

1. 理解用户意图（Intent），知道用户想要买咖啡。

2. 从用户请求中，提取关键信息。知道用户要买的咖啡是“一杯”（quantity）、“大杯”（size）、“拿铁”（type）。

3. 执行任务，到咖啡下单的系统，创建一个新的订单请求，并将该订单需要的信息quantity、size、type提交给该系统。

这个简单的“买咖啡”的请求，后台需要用到的技术，包括与聊天客户端的集成、用户自然语言的处理、意图模型的构建与识别、执行任务的对话流程的实现、与后台业务系统的集成等。接下来，我们来看看甲骨文最新发布的聊天机器人服务，如何实现以上能力并让企业能快速构建自己的聊天机器人。

甲骨文聊天机器人服务包括以下组件：

1. 渠道集成组件：使企业能通过配置的方式，快速的与各种聊天客户端进行集成，让企业能够在多种客户端渠道上，如移动App、网页、流行的聊天软件上，提供基于会话的服务；

2. 人工智能引擎组件：灵活、易于变更及扩展的人工智能引擎，基于机器学习，为企业特有的业务服务，基于配置的方式，建立特有的语义/意图模型，并能对用户输入中的关键信息进行提取；

3. 对话流程执行组件：为不同的语义/意图，通过配置的方式定义对应的对话执行流程。企业可快速的配置定义各种使用场景中，聊天机器人的对话内容，以及跟外部系统的交互过程；

4. 业务系统集成组件：强大的与后台业务系统集成的能力及扩展能力，通过预置的业务系统连接器，快速的与各类常见的企业业务系统进行集成，并可对后台系统提供的服务，提供服务编排、数据转换、安全集成等服务，大大简化了与后台系统集成的难度。 

有了以上这些组件，我们来看看构建聊天机器人的过程。

第一步，构建意图模型。定义聊天机器人支持的意图，对每一个意图提供训练话语，对聊天机器人进行训练，使其能正确理解用户的输入。

上面的例子中，我们定义了一个意图“买咖啡”，并提供一系列的训练话语，譬如：

• 我要买咖啡

• 我想要一杯大杯拿铁

• 给我一杯美式咖啡

点击“训练”按钮对机器人进行训练后，我们可以直接在配置页面中，测试机器人的语义识别结果。

第二步，定义实体类型，也就是用户输入中，可能包含的关键信息的类型，并将实体类型与对应的意图进行关联。这里，我们定义size和type两个类型，并定义这两个类型的值域。

将意图及实体类型进行关联，这样聊天机器人会自动从用户输入中，提取相应信息。

第三步，定义对话的执行流程，也就是当理解到用户的意图为“买咖啡”时，机器人需要执行的任务流程，包括与用户的对话内容，以及跟后台系统的集成。

第四步，如果对话流程中需要调用后台业务系统，则需要与后台系统集成。这里配置后台服务目录的信息，我们一般把服务部署在甲骨文移动云上。甲骨文移动云提供后台系统预集成的连接器及服务编排、API管理等服务，能简单快速的集成后台系统。

第五步，配置与聊天客户端的集成。这里我们使用的是微信集成。当然，除了后台渠道的配置外，还需要在微信公众号中，配置后台的Webhook URL及Verify Token。

集成结束，整个聊天机器人也构建完成了。我们重新来看看聊天机器人从接收用户输入到处理用户请求的全过程：

1. 用户在微信输入后，聊天机器人使用自然语言处理等技术，对预定义的意图模型进行语义识别，知道用户希望“买咖啡”；

2. 机器人通过分析预定义的意图模型，将“买咖啡”所需的咖啡类型等关键信息进行提取；

3. 使用会话执行流程中定义的“买咖啡”流程，执行买咖啡任务；

4. 使用集成组件，调用后台系统，完成买咖啡操作；

5. 回复用户“下单完成”，本次会话成功处理！

简单的几步，高大上的聊天机器人就构建完成了，将来如果要对机器人支持的场景进行添加或变更，只需将新的意图添加到现有的意图模型和对话流程中，全程无代码！是不是很简单？

了解更多，敬请关注甲骨文开发者社区......