李 建，張 鋒，陳 沖，李俊徽，王 偉

(浙江省氣象服務中心，浙江 杭州 310017)

0 引 言

隨著AI智能技術(shù)的發(fā)展，人機智能交互的應用也愈加廣泛和深入。然而人機智能交互并非是全新的概念，第一個人機對話系統(tǒng)是麻省理工學院的Weizenbaum于20世紀60年代開發(fā)的Eliza[1]。Wallace交互系統(tǒng)通過一種純模式匹配的方法在對話質(zhì)量上與以往相比有大幅提高，它利用啟發(fā)式的會話規(guī)則并嵌入AIML(artificial intelligence markup language)[2]，創(chuàng)造出了A.L.I.C.E(artificial linguistic internet computer entity)。人機交互已有60年的發(fā)展史，從命令行操作界面到使用鼠標鍵盤的圖形界面發(fā)展到基于觸摸屏的無形界面再到語音交互，而硬件則從PC機發(fā)展到手機，隨著技術(shù)革新人機交互方式和介質(zhì)發(fā)生變化。無形界面指機器和系統(tǒng)與用戶以自然的交流方式互動[3]，利用人的視覺、聽覺、觸覺、嗅覺、味覺五個交流通道進行信息傳遞和交流互動。在這五個交流通道中視覺占據(jù)最主要位置，其次是聽覺，而在信息傳遞中聽覺語言的綜合利用率遠高于視覺符號，所以語音交互受到廣泛關(guān)注。智能語音產(chǎn)品如天貓精靈、小愛音箱、亞馬遜、谷歌等呈爆發(fā)式增長，并在智能制造、智慧醫(yī)療、智慧氣象領(lǐng)域的應用越來越廣泛，逐漸改變著人們的生活方式。

為迎合智能語音技術(shù)的發(fā)展和應用，微軟、Google和百度等科技巨頭智能對話領(lǐng)域的產(chǎn)品層出不窮。而對于大多數(shù)開發(fā)者而言，智能交互系統(tǒng)的研發(fā)卻是一個很困難的工作，對技術(shù)和數(shù)據(jù)的要求都很高。在百度AI開發(fā)者大會上，百度宣布將其研究多年的自然語言理解與交互技術(shù)對外開放，這大大降低了普通開發(fā)者的研發(fā)門檻。該文正是基于百度AI的UNIT技術(shù)，結(jié)合在用戶使用氣象應用軟件過程中收集的相關(guān)行為數(shù)據(jù)，采用了基于Hadoop的用戶行為分析方法，建立基于用戶行為分析的AI語音智能氣象服務系統(tǒng)，為公眾提供更便捷、內(nèi)容更具針對性的個性化氣象服務，實現(xiàn)智能交互氣象服務的研發(fā)和應用，探索智慧化的氣象服務。

1 建立用戶行為分析系統(tǒng)

1.1 構(gòu)建Hadoop用戶行為分析架構(gòu)

該文針對“智慧氣象”APP、“天氣羅盤”小程序、“氣象安全導航”APP等浙江省氣象局服務平臺和出口的海量用戶行為信息采集日志，搭建HDFS分布式文件系統(tǒng)對其進行存儲，通過搭建Hadoop分布式集群環(huán)境并結(jié)合MapReduce編程框架，建立基于Hadoop的用戶行為數(shù)據(jù)分析系統(tǒng)[4-7]，對大量相關(guān)的用戶行為分析資料進行分布式批處理，并對處理結(jié)果分析總結(jié)形成用戶行為畫像。

基于Hadoop的用戶行為分析方法在架構(gòu)上分4個層次來實現(xiàn)，分別是數(shù)據(jù)、業(yè)務邏輯、業(yè)務服務、應用層。數(shù)據(jù)層，首先利用抓包工具PF_RING抓取各服務平臺的用戶行為分析數(shù)據(jù)源進行分布式存儲，然后調(diào)用網(wǎng)絡安全開發(fā)包工具Libnids對數(shù)據(jù)包進行重組，指對結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)庫的管理；業(yè)務邏輯層，主要負責利用分布式MapReduce編程來分析用戶網(wǎng)絡行為活動，并協(xié)調(diào)數(shù)據(jù)與各功能層間的關(guān)系，包括功能邏輯、處理邏輯以及數(shù)據(jù)操作；業(yè)務服務層主要利用Hadoop集群提供相應的技術(shù)支持和服務，即MVC框架中控制層所完成的功能，包括身份認證、參數(shù)管理以及控制管理功能；應用層，主要包含用戶能夠具體請求和使用的實際功能，指對用戶行為信息的內(nèi)容、功能和交互管理。通過以上4個層次的架構(gòu)設(shè)計實現(xiàn)從物理層到應用層的全層分析。圖1為用戶行為分析系統(tǒng)的架構(gòu)。

圖1 用戶行為分析系統(tǒng)架構(gòu)

1.2 用戶行為分析的方法

對用戶行為日志數(shù)據(jù)的采集，該文考慮基于Java技術(shù)使用Hadoop平臺的Chukwa工具完成，同時開展用戶行為數(shù)據(jù)的分析[8-9]。數(shù)據(jù)和數(shù)據(jù)結(jié)構(gòu)化日志的轉(zhuǎn)換是通過在Chukwa內(nèi)部設(shè)置了2個MapReduce作業(yè)來實現(xiàn)，然后存儲到SQLServer數(shù)據(jù)庫和HDFS分布式存儲系統(tǒng)中。用戶行為日志的采集格式和實例如表1所示。

表1 日志采集格式及實例

關(guān)鍵字、用戶ID等用戶行為記錄關(guān)鍵信息，可通過分析用戶行為相關(guān)的日志獲得，采用計算模型MapReduce分析用戶行為的特征，并根據(jù)時間進行分段顯示。為計算模型MapReduce定義好格式，通過Key對信息進行排序和分類，分析統(tǒng)計出同一鍵值的Value數(shù)據(jù)。同時為用戶提供相應的提示信息增強用戶體驗感，引入Word2vec工具實現(xiàn)關(guān)鍵詞分析來提供“熱詞”服務。該文首先引入了復雜度MapReduce計算模型，其基本定義為：

S=E·M·T

(1)

其中，S為模型復雜度，E為關(guān)鍵詞的數(shù)量，M在具體模型中定義，根據(jù)模型不同確定，T為系統(tǒng)可設(shè)置的學習訓練次數(shù)。

CBOW模型開展訓練利用的是Word2vec工具，該模型相比傳統(tǒng)的神經(jīng)網(wǎng)絡模型省略了隱含層，能夠?qū)崿F(xiàn)詞語的學習訓練。通過上下文來影響當前關(guān)鍵詞出現(xiàn)的概率是CBOW模型的核心。在此模型中，類似于從袋子中取關(guān)鍵詞，在取詞數(shù)量足夠多的情況下，取詞的先后順序是不重要的，所有上下文的關(guān)鍵詞對目前關(guān)鍵詞出現(xiàn)的概率的影響程度是相同的。CBOW模型的結(jié)構(gòu)描述如圖2所示。

圖2 CBOW模型

CBOW模型的訓練復雜度表示為：

P=V·|S|+N·V

(2)

其中，P為CBOW模型復雜度，V為發(fā)射層的維度，S為訓練詞典的規(guī)模，N為輸入層的總長度。V·|S|是計算量，通過矩陣的形式進行計算和表示學習訓練的復雜度。

通過收集用戶在使用天氣軟件過程中留下的使用時間、所在位置、查詢要素、關(guān)注的功能模塊等相關(guān)信息，同時根據(jù)用戶的ID信息(實名認證獲取的手機號、微信、QQ號等)結(jié)合采集的用戶走路步數(shù)、出行目的地等綜合信息，采用CBOW模型分析用戶使用天氣軟件的應用場景，從而獲得用戶的真實意圖，如早鍛煉、穿衣、外出旅游等。

2 語音交互氣象服務系統(tǒng)的設(shè)計

2.1 基于AI的UNIT技術(shù)應用

UNIT(understanding and interaction technology)是百度公司開發(fā)的可定制的人機對話技術(shù)。UNIT提供了融合深度學習與啟發(fā)式規(guī)則的意圖理解模型，還包含NLP(natural language processing)的“口語化分析”與“query糾錯”技術(shù)，可對用戶的表達進行進一步分析與抽象。通過DM Kit建立對話管理與任務執(zhí)行框架，可無縫對接外部知識庫具有UNIT云端對話理解能力，豐富了人工智能的回復信息量，實現(xiàn)多狀態(tài)的復雜對話流程控制。此外，UNIT還具備交互學習能力，讓對話系統(tǒng)可以像人一樣在對話中理解與學習。它可以主動向用戶進行澄清詢問發(fā)現(xiàn)系統(tǒng)理解模糊的問題，也可以被動等待用戶發(fā)起糾正。通過正常定義對話任務，就可以得到系統(tǒng)內(nèi)置的交互式理解能力。實驗表明，UNIT技術(shù)應用模型可以讓98.1%的用戶對話被系統(tǒng)正確的理解，并具備持續(xù)學習的能力。

智能語音對話系統(tǒng)的開放域(open-domain)和封閉域(closed-domain)兩種類型的問題[10-12]是根據(jù)應用場景的不同劃分的。開放域?qū)υ捪到y(tǒng)沒有限定主題或明確目標，用戶和系統(tǒng)之間可以進行任何話題的自由對話，開發(fā)和實現(xiàn)難度非常大。封閉域的對話系統(tǒng)是面向具體任務的，具有明確的目標和限定的知識范圍。基于UNIT技術(shù)的智能語音主要應用于封閉域的對話系統(tǒng)，按自身業(yè)務需求定制對話BOT(機器人英文縮寫)，可以為用戶解答(如：今天會下雨嗎？杭州櫻花什么時候盛開？)，執(zhí)行用戶指令(如：查一下我的快遞什么時候到)，甚至通過一系列交互引導用戶達成某項需求(如：通過注冊-選座-下單完成訂票)。這種面向任務的理解與交互能力，可以滿足智能助手、智能家居、智能汽車、智能客服、機器人等各類產(chǎn)品和場景應用。

2.2 智能交互氣象服務的實現(xiàn)

智能交互氣象服務依托浙江省氣象部門的海量數(shù)據(jù)支撐，利用UNIT技術(shù)理解分析用戶的語義并結(jié)合用戶行為分析后獲取的用戶意圖，為用戶智能提供天氣實況和預報、氣象預警、出行提醒等信息[13-17]，并通過百度語音識別和轉(zhuǎn)換技術(shù)，實現(xiàn)智能語音交互服務。

圖3為智能交互氣象服務系統(tǒng)的實現(xiàn)邏輯圖。

圖3 實現(xiàn)邏輯

首先，用戶通過語音或文字輸入，將需求提交至UNIT技術(shù)功能模塊，先進行語義解析，若解析失敗則返回請用戶重新輸入，若解析成功則進行意圖分析。若意圖不明確或意圖無法滿足，均返回請用戶補充或重新輸入，若意圖可滿足則根據(jù)需求調(diào)取氣象相關(guān)數(shù)據(jù)，最終生成文字和語音返回給用戶。該邏輯的核心節(jié)點是意圖分析，也是UNIT最關(guān)鍵的理解能力。在其平臺上可根據(jù)實際需求進行對話BOT的技能定制和訓練。

具體的操作流程如圖4所示。

圖4 BOT模型訓練操作流程

第一步，新建一個自定義BOT；第二步，定義技能，即建立一系列的對話意圖的模型。比如天氣預報查詢，需要知道時間、地點兩個基本要素，所以需要添加時間、地點兩個詞槽(限定條件的詞匯類型)，詞槽的提取已在語義解析中完成。除詞槽之外，還可以添加特征詞，使意圖分析更加細化。結(jié)合常見天氣類需求，增加一定的特征詞，如表2所示。

表2 天氣需求意圖分析

填寫完意圖和詞槽之后，標注訓練數(shù)據(jù)，添加對話模板，配置觸發(fā)規(guī)則，滿足相應規(guī)則后觸發(fā)數(shù)據(jù)調(diào)用或相應回復。以表2的查天氣意圖為例，在對話模板中，特征詞“天氣”是必須的，而時間、地點用戶并不一定會表述和提供，一般情況下可以結(jié)合用戶行為分析得到目標地點和時間。但特殊情況下當詞槽缺失時，需要返回澄清話術(shù)，要求補充說明。

通過以上流程的設(shè)計，完成一個技能模型的搭建，最后進行BOT模型的訓練，訓練完成并生效后進行對話BOT的應用。語音交互氣象服務系統(tǒng)以WebService后臺服務的形式對接前端應用，應用端只要提供用戶的ID和語音服務信息就可以建立交互關(guān)系提供服務。

3 應用情況

浙江省氣象服務中心基于微信和智能手機開發(fā)平臺，將天氣與新聞、視頻和圖片等多種形式相融合，開發(fā)了微信小程序和手機APP“天氣羅盤”(見圖5(a))。以卡通人物“小諸葛”為入口，基于國內(nèi)城市的天氣實況和預報數(shù)據(jù)，利用基于AI的UNIT技術(shù)，開發(fā)智能語音互動服務，實現(xiàn)天氣查詢、常識解答及日常交互等豐富功能(見圖5(b)、圖5(c))。2017年12月5日“天氣羅盤”微信小程序上線，用戶可通過掃描二維碼或微信小程序入口搜索“天氣羅盤”訪問。浙江省旅游局、安監(jiān)局和氣象局2018年7月27日聯(lián)合發(fā)文，要求將二維碼印制在浙江省3A級以上景區(qū)的門票和入口處，引導游客主動接收基于位置的氣象災害預警信息?！疤鞖饬_盤”APP也于2019年下半年上線。截至2019年12月14日，兩款應用累計訪問已超過1 853萬次。

(a)“天氣羅盤”首頁 (b)智能交互頁面一 (c)智能交互頁面二

該文根據(jù)系統(tǒng)的框架設(shè)計和功能需求，分模塊設(shè)計了用例測試檢驗，對2019年以來的用戶對話樣本數(shù)據(jù)11 G進行統(tǒng)計，分析其功能實現(xiàn)情況，如表3所示。用例數(shù)、輸入、輸出、描述為用例的主要選項。該文設(shè)計的語音交互和用戶行為分析系統(tǒng)采集并存儲的數(shù)據(jù)與樣本數(shù)量是一致的，通過將樣本數(shù)量與存儲在系統(tǒng)中的語音交互數(shù)進行對比得到完成率。

表3 語音交互樣本測試結(jié)果

4 結(jié)束語

通過構(gòu)建Hadoop平臺引入MapReduce計算模式，依托“智慧氣象”APP、“天氣羅盤”小程序、“氣象安全導航”APP等浙江省氣象局的服務平臺和出口積累的用戶行為數(shù)據(jù)，建立了基于Hadoop的用戶行為數(shù)據(jù)分析方法，利用UNIT技術(shù)通過DM Kit建立對話管理與任務執(zhí)行框架，結(jié)合用戶行為分析實現(xiàn)智能語音交互氣象服務系統(tǒng)。測試結(jié)果表明，所設(shè)計的基于AI智能語音交互氣象服務能夠結(jié)合用戶行為分析完成氣象服務的語音交互。在用戶行為分析方面，由于缺乏足夠的用戶行為記錄做分析，在語音交互的過程中未能達到100%的用戶行為分析關(guān)聯(lián)，而50%的行為分析關(guān)聯(lián)用戶中絕大部分都是關(guān)注浙江氣象服務出口的忠實用戶。為進一步加強應用效果，下一步可以擴大收集范圍接入第三方的用戶行為數(shù)據(jù)，同時不斷完善BOT模型的詞槽開展大量的訓練，改進應用功能和服務體驗。