系统识别用户在确认阶段的反馈，如果用户肯定了问题，就会推送自助方案到支付宝手机端，并提示用户。如果用户否定，那么会把用户转到人工客服处。

　　智能语音客服的核心功能是根据与用户的交互信息判断出用户的来电目的，也就是交互步骤#4中的问题识别模块。问题识别模块允许通过与用户的多轮交互来更准确地判断用户所遇到的业务问题。引入多轮交互流程因为，atv，如果用户只有一次描述问题的机会，下列几个因素的影响往往会导致单轮问题识别无法做出准确的判断：

智能客服的意图判断引擎是基于文本的，而现有的语音转文本技术的字错误率基本上高于10%，特别是对于一些环境噪音比较大的电话语音数据，ASR识别错误会比较大地影响单轮问题识别模型的准确率。

用户的表达能力差异化。部份用户难以一次性地准确，完整地描述他（她）的意图，信息量的不足会使得单轮问题识别模型的识别困难。

即在有很人性化的引导语的情况下，现有系统的统计数据证明仍然有相当大比例的用户（约30%）在面对机器人客服时仍然以“喂”，“你好”等传统对话方式开始交互， 而不会按系统引导语的提示来描述意图，导致无效描述。

　　我们训练了3个DNN，它们之间互相协作来完成整个问题识别流程：

单轮交互问题识别模型：以用户的初始问题描述（如“我的支付宝账号登录不上去了”）为输入执行分类任务，分类目标是1000个业务问题。

多轮交互问题识别模型：以与用户的全部对话数据（如“用户：我花呗开通不了啊”，“系统：您是卖家吗”，“用户：是的”）为输入执行分类任务，分类目标与单轮交互问题识别模型相同，也是1000个业务问题。

问题预测模型：当问题识别结果的置信分不高于设定的阀值时，系统会认为用户描述信息量不足，问题预测模型就会从问题库里挑选出对分类最有帮助的问题向用户询问，并收集用户的回答用多轮交互问题识别模型来再次判别。

　　4.数据赋能商家背后的黑科技

　　作者：空望

　　1）实时偏好识别

　　服务市场的用户访问频次低，识别用户的实时偏好有助于更准确的匹配用户需求。实时偏好包括实时商品偏好和实时类目偏好两个维度，使用时间衰减累计+用户实时访问反馈调整的方式来构建用户实时偏好模型。在实际使用时，根据历史累计的数据选取TopN产生实时偏好。

　　2）匹配召回

　　服务市场搜索召回面临问题：搜索无结果、搜索结果相关性不高以及搜索结果不够优质。针对上述问题，使用核心词抽取和query扩展对原query进行语义分析和补充。包括：基于语义embedding对搜索词进行自适应分词和向量化表示；为保证核心词与原query语义相似，综合语义单元的类目分布熵、与原query的邻接熵，与原query类目匹配度进行核心词抽取；为了扩大query召回，根据用户搜索补充了与原query相关的其他搜索核心词。补充后的搜索词大幅降低了搜索无结果率，搜素点击率和转化率也得到明显提升。个性化推荐召回以实时商品偏好，实时类目偏好，近期搜索，历史订购商品为基础，配合相似商品，搭配商品，类目优质商品进行扩大召回，从而构建个性化推荐的优质多样的商品池。

　　3）模型排序

　　个性化推荐的模型排序部分负责对召回的商品池结合当前商家店铺和商家行为特征进行个性化排序针。对特定的排序模型组装合适的模型特征（包括单一特征，组合交叉特征，以及ID类特征等），然后根据CTR/CVR模型生成预测分数；同时结合商家订购服务的特点，以及推荐多样性等策略的考虑，对分数进行重排。

　　5.探索基于强化学习的智能推荐之路

　　作者：朱仙

基于强化学习的全链路优化