摘要
随着互联网技术的高速发展和网络购物的快速普及，传统的人工客服应答效率已经达到瓶颈，人力成本和咨询转化效率已然成为了亟需解决的难题；而目前市场上许多机器人客服的交互形式十分单一且不能处理复杂的业务问题，无法和用户进行多轮次的沟通。因此，为了解决人工客服和机器人客服目前存在的普遍问题，本文设计并实现了一款应用在电商行业的任务型对话系统，实现纯机模式下的智能应答。 本文提出了一种Joint-RoBERTa-WWM-of-Theseus压缩联合模型，并将其应用在对话机器人中，为用户发送的消息提供预测服务。另外，本文还以任务型对话机器人为基础，设计并实现了Web端和微信小程序端，组成一个大型的对话系统。本文的具体内容如下： 首先，本文介绍了课题背景和研究意义，分析了任务型对话系统在国内外的研究与发展现状。同时，介绍了论文研究内容和章节安排，以及与本文研究相关的理论和技术基础。然后，本文提出了Joint-RoBERTa-WWM多任务联合模型。该模型通过将意图识别、行业识别和语义槽填充三个子任务进行联合训练，使不同子任务之间相互启发，共同提升各自的学习能力，以此提高模型整体的性能。特别对于文本多分类子任务，本文引入了Focal Loss机制来解决数据集分布不平衡的问题。实验结果表明，本文提出的多任务联合模型有效提高了模型的预测能力。接着，本文使用了Theseus方法对多任务联合模型进行压缩，提出了Joint-RoBERTa-WWM-of-Theseus压缩联合模型，在略微损失精度的前提下提高预测速度大约133%，使模型能够更好地应用于生产环境。 其次，本文分析了任务型对话系统的需求，包括：目标、功能和非功能性需求；介绍了系统的架构设计与技术路线，包括：整体架构、微信小程序端、Web端、后端服务器、算法服务器和第三方云服务等；设计了系统模块，包括：Web端模块、微信小程序端模块和对话机器人模块的行为树；设计了系统的数据库。 最后，本文详细介绍了对话系统的实现，包括：开发平台及环境、系统架构的搭建、对话机器人的实现、微信小程序端的实现和Web端的实现。在对话机器人实现方面，本文按照基于模块的实现方法，通过自然语言理解模块、对话管理模块和自然语言生成模块实现了核心的交互式导购功能；同时，本文将提出的压缩联合模型应用在行为树的自然语言理解节点中，还实现了行为树中每一个行为节点的具体逻辑，并通过Java的继承特性实现了行为树的动态加载机制。在微信小程序端实现方面，本文采用了微信原生框架进行开发，还引入了百度云语音识别服务为对话机器人赋予语音理解能力，帮助用户提升使用体验。在Web端实现方面，本文使用Vue3框架搭配Element Plus组件库进行开发，实现了店铺信息管理和对话机器人配置等功能。另外，本文还介绍了对话系统的测试、部署与发布、运行环境，以及Web端、微信小程序端和对话机器人的运行效果。
NETL