如何搭建一个智能客服（三）：NLP里实体信息的抓取与应用

前面两篇说了用户意图拆分与识别，和基于此设计的多轮对话流程。这一篇接下去讲自然语言处理（NLP）中实体信息的抓取和在产品中的应用，也是如何搭建一个智能客服系列的第三篇。

你或许思考过，AI是怎么听懂人说话的呢？当我在商场，跟商场的机器人说我要去三楼，它是怎样听懂我的意思的呢？当我说去NARS，它怎么知道NARS是什么，是在哪里？那么就要说叨说叨实体（entity）了。

首先，实体信息是什么意思呢？它表示关键性的信息，通常可以分为两种，一是与业务基本无关的，可以算作通识的信息，比如手机号，邮箱，日期，时间；二是与业务相关的，根据实际场景定制的。

怎么理解呢？举个栗子，第一个场景，当你需要预订一张机票，假设你会这样说：

帮我订张明天的机票，从北京去上海，下午起飞的那种，我电话13344445555，行程单发我邮箱yuanquaner@pmcaff.com
好的，已为您找到如下符合条件的航班……

在这个场景中，‘明天’和‘下午’就是时间信息，‘北京’和‘上海’是地点信息，‘13344445555’是手机号。因为这些信息可以说是通识，不随业务而改变，所以一般会内置到算法中去，识别并做对应的转换。在上面的场景中，AI端会先识别出日期和时间，然后把‘明天’转换为‘2020年3月27日’，‘下午’转换为‘14：00-18：00’，再与其他信息合并，由数据端向航空公司发起请求，再告诉你返回的结果，即符合条件的航班列表。

这个识别环节听起来是简单的，因为人类在语言学习的过程中已经能够条件反射出什么是日期，什么是手机号，什么是地点。但是对AI而言，起初这些东西都是一样的字而已，需要大量的算法来区分与提取到这些信息。这里的识别率与算法设计时对语言理解的丰富度息息相关。比如说，一开始是对‘明天’‘昨天’做了识别，而忽略了‘前一天’‘后一天’的表达；或者一开始做了‘2020年2月2日’，而忽略了‘2020年二月二日’的表达，就会直接拉低识别率，具体的表现就是……智障率升高。

转换这一步中，有个很有意思的点。人们用自然语言表达日期时间等信息时，其实是不完全符合标准逻辑的。比如说，当你在晚上00：10分跟智能助手说，“订个明天的闹钟”，这里的“明天”大概率已经是算“今天”了。当你在2020年1月里，跟智能助手说，“查查12月的账单”，你其实是在讲2019年的12月。这些语言表达习惯都应该考虑进去，才能让智能助手“感觉像个人”。Siri在这里做的很好，订闹钟的场景，它会再确认一句“请问你是说订今天早上8点的闹钟吗？”

收回来说第二个场景，结合业务出现的实体。继续举栗子，当你要买一杯奶茶，你通过智能助理完成这个操作，那么对话应该是这样的：

我要一杯奶茶，一点点的，大杯四季奶青，全糖，加一份红豆，不加冰。
好的，已下单。

这里面，‘一点点’是奶茶品牌，‘四季奶青’是奶茶商品名，‘大杯’是份量，‘全糖’是糖度……由于它们是完全依托于业务的表达，离开这个场景则这些词不再有意义。比如你在跟别人聊天气的时候突然说一句“一点点哦”，对方是听不懂的。它不像“北京”这种词，北京永远是北京。所以这种信息就是我说的，要根据实际场景定制的。也就是说，我需要告诉AI，什么是奶茶品牌，什么是奶茶商品名，什么是份量……

怎么告诉它呢？一般有三种途径：字符串匹配，正则表达式，标注。

字符串匹配，即定义一个实体信息的合集，适用于固定出现的字段。说起来比较晦涩，我用伪代码（因为不会写真代码）形式写一下就清楚了。在买奶茶的场景中，对奶茶品牌和商品名等实体信息的定义可以这样写：

"奶茶品牌" = [ '一点点', '喜茶', '乐乐茶', '奈雪的茶' ]
"份量" = [ '大杯', '中杯', '小杯' ]
"商品名" = [ '四季奶青', '红茶玛奇朵', '芝士芭蕾' ]

这样，当用户说到了其中一个项，AI就可以知道对方在讲什么了。

正则表达式，即定义一个实体信息出现的规则，适用于有规律出现的信息。以车牌号为例，常见的形式为省份缩写（一个汉字）+一位字母+五位数字，依然用伪代码的形式表达，如下：

"车牌号" = [京沪鲁浙……津豫赣]{1}[A-Z]{1}[0-9]{5}  
#意思是从省份缩写中的一个字+一个大写字母+5个阿拉伯数字

同理地，我们可以用这种方式定义其他有规律的词汇，像设备批号，身份证号，手机号，订单号，诸如此类。

讲到这里，你可能想说，这两种办法一点都不AI嘛。那么……朋友你说的没错我也这么认为！不过途径只是途径，AI也不是目的，而是为了实现最终与人对话的效果。所以来看很AI的第三种吧。

标注，即对表达某一个意思的语句进行标注，从而让机器学习到某一个意思，适用于不固定也不规律的表达。以笔者工作里的一个场景来说，有车贷或房贷的用户，经常会来咨询，自己还完了多少钱，自己还剩多少钱要还。那么我稍微整理了一些出现过的表达方式，如下：

我已经付掉多少贷款了？
我还完了多少贷款？
有多少贷款是还上了的？
我已经还了多少款？
我的贷款还清了多少了呢我还有多少钱要还啊？
还剩多少贷款要付？
还有多少贷款得付？
我还要付多少钱呀

很明显地，这些表达即不会用固定的名词，也没有可以写成正则表达式的清晰规律。但是可以用语义上清楚地看出来用户在问什么，所以，这里采用标注的形式，把意思标出来。我们定义还完了多少钱的概念为="已还"，还剩多少钱要还的概念为="剩余"，括号起来的为标注的位置：

我已经[付掉多少贷款]了？——"实体"="已还"
我[还完了多少]贷款？——"实体"="已还"
有[多少贷款是还上了]的？——"实体"="已还"
我已经[还了多少款]？——"实体"="已还"
我的贷款[还清了多少]了呢——"实体"="已还"
我[还有多少钱要还]啊？——"实体"="剩余"
还[剩多少贷款要付]？——"实体"="剩余"
还[有多少贷款得付]？——"实体"="剩余"
我[还要付多少]钱呀——"实体"="剩余"

在完成了大量以上类型的标注后，当用户再问到相同的问题，AI大概率上就能识别到对应的实体信息，那么就可以继续“像个人一样”地进行对话了。

在实际的落地场景中，提取的途径并不是唯一的，也不一定是固定的。具体采用哪种方式来实现需求，是基于PM对技术方法的了解和对业务背景的熟悉而做判断。究其根本，一切都还是为了用户需求而服务。

好了今天的内容就到这里~下一篇主题是怎样让AI更像人——伪装的智能感。

感谢阅读。