全新的数字时代，客户体验正变得越来越重要，人们对“悦己”的诉求不断提升，体验经济渐渐崛起。不过在这样的大背景下，正逐渐成为业界标配的智能客服机器人确略显尴尬，作为客户互动中的重要一环，以成本和效率为导向的机器人在客户体验方面确屡屡被人诟病，“不懂人话、答非所问、僵硬死板、不会变通、设置复杂”。的确，机器人在应对较为简单的问题时更为轻松，对复杂些的问题会有些“不知所措”，加上部分公司用的仍是基于上一代技术的机器人，智能机器人表现得有些“智障”也就不奇怪。
其实，随着技术的进步，从最早的基于关键词和正则的“傻瓜”机器人，到深度学习和图谱的应用，机器人的智能化程度越来越高，已经能承担越来越复杂的工作了。追一最近推出的事务图谱机器人就将机器人“智商”推向了新高度，“人机互动”正越来越接近于“人人互动”的体验。
某税务部门的“机器人之痛”
最近某城市税局的业务部门，每天会碰到大量的税务咨询，他们也想部署智能机器人来处理这些咨询工作，但发现挑战重重。因为税务咨询专业性强，会涉及多条件、多层级的知识体系，纳税人类型、纳税类型、所售商品等等，需要A1、A2、A3…B1、B2、B3…C1、C2、C3…各种查询条件的排列组合，才能够给到最终明确答案，而且用户在咨询时往往不能很清楚地描述自己的问题。
比如说，用户咨询：我手续费的进项税额可以抵扣吗?这里面表达的是进项税额抵扣的意图，但涉及了非常多的限制条件，而且这些条件信息，在用户问句里往往没有说清楚，例如，什么纳税人、发票类型是什么、项目/服务是什么…没办法精准定位，给到最终答案。
一般的对话机器人，面对此类场景，就有些“吃不消”了。怎么办呢。
追一为该局评估了很多对话机器人解决方案，但明显“智商”不够。比如FAQ问答库来实现，但是FAQ标问颗粒度太细，工作量大且导致问句相似，容易产生歧义，影响效果;标问颗粒度太大，就无法提现不同场景、不同答案的差异。任务型倒是挺匹配的，用任务型一步步跟用户去澄清，厘清限制条件，但是也有不足：因为这些业务做成任务型会有各种流程和条件，最后就是一个过于庞大的流程体系，很臃肿，同样面临后期高昂的运营成本问题。
那能不能有一个更聪明的机器人解决上述问题呢，追一事务图谱机器人上场了。
通晓事务的专家型机器人
事务，在汉语的定义中一般是要做的或所做的事情，在计算机术语中也特指数据库程序的执行单元。在我们对事务图谱的定义中，事务代表真实业务场景中的业务事件，比如一次业务咨询或者业务办理。
图谱，在常规的认知中，一般特指知识图谱，是通过描述客观世界中实体、属性之间关系，是对客观世界中知识的建模，是一种通用的相对静态的关系。而事务图谱描述的对象的是特定领域的业务知识，颗粒度更细，一般通过树形结构表达业务知识的关联，这也区别于知识图谱中的知识互联的网状结构。我们通过事务图谱这种特殊的知识库结构，对真实业务场景中相对复杂，具备一定逻辑关系的业务知识建模，使得机器人具备一定的推理理解能力。
所以，事务图谱机器人更像是某特定领域的专家，对该领域的各个知识点以及它们之间的逻辑关系了然于胸，相比传统的机器人能更自如地处理相关业务。
在上述税务咨询项目中，追一帮助该税务部门将税务知识库(比如上述的进项税抵扣)构建成知识树，将各种知识答案表示为分布在不同树枝上的叶子。有了这个树形结构的知识库，事务图谱机器人能象人一样用推理的方式得出答案：
利用树的无环路特点，机器人通过与用户的问答交互过程，有目的性的从知识树上收集相关条件，从根到干到枝到叶，层层推理，逐步收敛到合适的知识点，给出最终答案。换句话说，就是先通过对用户的意图识别确定目标知识库，然后主动引导用户，一步步收集需要澄清的各种条件信息，最终将完整的答案呈现给用户。
比如，前面用户问到的进项税抵扣问题。先明确用户意图：进项税额抵扣，也就是找到树根，然后一步步询问条件信息，类似于树干取值，是购入、租赁还是销售，然后项目服务是什么，发票类型又是什么等等;比如用户属于一般纳税人，购买的自用小汽车，是汽车销售发票，等等。机器人根据这些“线索”推理，收集全信息，定位到最终的答案。
事务图谱机器人还可以利用树的层级关系表示实体的上下位层级关系，自动感知实体间的从属关系，进而可以利用上下位关系进行推理。例如，当用户提到一个地名的时候，机器人可以通过构建的树结构，自动得到“中国**省**市**区“这条完整的信息。
在追一为某零售厂商实施的项目中，用户经常会查询门店的地址，实际问答场景中用户通常不会直接说出想门店名称，而是用更宽泛的描述去定位门店，比如“长宁区有哪些门店?“，事务图谱型机器人自己判断出长宁区属于上海，并把这些门店信息呈现出来。
此外，机器人在推理最终答案时，会选择最短推理路径，还能根据实际情况支持灵活配置知识权重，自定义推理路径，以最大程度减少和客户的对话轮数，提升服务效率和客户体验。
目前追一事务图谱机器人已经在该税务部门实现了规模化应用，覆盖了多个税种，取得了不错的效果。
行业know -how要求越高，越适合事务图谱机器人
作为机器人中的”后浪”，事务图谱机器人具备的处理复杂问题的能力，使其有着非常大的应用潜力。
总体而言，事务图谱机器人适用于那些知识点的限制条件维度多，相互之间具备一定逻辑关系，而且用户往往难以表述清楚问题的场景。比如上文提到的税务咨询场景，涉及纳税人类型，税种，商品种类等;类似的应用场景还有保险的核保理赔，理财产品的购买，2B公司的服务场景(通常2B的产品和服务较为复杂)等行业know -how比较深的场景。
在探索AI应用的征途中，追一持续地推陈出新，不断拓展AI的应用深度和宽度。我们期待这款事务图谱机器人能让机器人摆脱“智障”的观感，让社会和大众真正享受到AI带来的便利。
