作者上一篇《這才是VUI設(shè)計師完善的工作流程（上）》和大家分享了VUI設(shè)計流程四大階段中的需求分析階段和設(shè)計階段，本篇文章將和大家繼續(xù)分享場景數(shù)據(jù)收集階段和持續(xù)優(yōu)化階段。

VUI設(shè)計流程主要分為四個階段，即需求分析階段、設(shè)計階段、場景數(shù)據(jù)收集、持續(xù)優(yōu)化階段（本篇主要和大家介紹場景數(shù)據(jù)收集階段和持續(xù)優(yōu)化階段）。

三、場景數(shù)據(jù)收集階段

為了讓我們的對話機器人能和人進行自然對話，我們需要收集更多真實的場景數(shù)據(jù)來豐富機器人的知識庫，因此在收集時我們需要知道收集哪些內(nèi)容、以及通過什么渠道進行收集。

1. 需要收集的內(nèi)容

在內(nèi)容收集時，我們需要根據(jù)任務(wù)類型來進行，針對任務(wù)型對話我們需要收集真實場景下的對話樣本、詞典詞槽，針對問答型對話需要根據(jù)之前歸納的分類，收集對應(yīng)的問題和答案。

（1）收集對話樣本

主要是在真實環(huán)境下，收集相同意圖不同人的問法。然后將這些對話樣本導(dǎo)入到系統(tǒng)中，給機器人做示范，教他如何理解對話意圖，知道哪些詞是重要信息，對應(yīng)的詞槽是什么，以4S店汽車銷售機器人為例：

通過對話樣本告訴機器”我想買一輛30萬以內(nèi)的奔馳車”和“幫我選一臺20萬以內(nèi)的寶馬車”都是選車的意圖，其中“30萬”和“20萬”都是價格的詞槽，“奔馳車”和“寶馬車”都是品牌的詞槽。這樣訓(xùn)練多了，機器人對話就越來越自然了。

（2）收集詞典詞槽

詞典詞槽主要指為了完成某個意圖所需要提供的關(guān)鍵信息，以4S店汽車銷售機器人的選車為例：

比如“我想買一臺30萬以內(nèi)的車”，其中“一臺”是數(shù)量詞槽、“30萬”是價格詞槽、“車”是品牌詞槽。

然后將系統(tǒng)中所有意圖進行整理并收集對應(yīng)的詞槽。在收集時，我們需要根據(jù)詞槽，整理出3-5條實際的對話樣本案例，讓系統(tǒng)識別準(zhǔn)確率更高。

（3）收集問答對

問答對相對比較簡單，我們可以根據(jù)問答型故事線中整理出的分類，盡可能全的去收集真實場景下用戶會問那些問題，系統(tǒng)又該如何回答，以4S店汽車銷售機器人為例：

在收集問答對時，我們可根據(jù)汽車的配置、保養(yǎng)、油耗、上牌、貸款、提車、改裝、售后等，將問題和答案進行整理，這里一個問題最好能整理出多種問法。

2. 通過什么渠道進行收集？

上面我整理了真實場景下三大需要收集的內(nèi)容：對話樣本、詞典詞槽、問答對，那么這些真實場景的數(shù)據(jù)該如何去收集呢？我們可根據(jù)網(wǎng)站數(shù)據(jù)、客戶中心數(shù)據(jù)、用戶調(diào)研來收集。

（1）網(wǎng)站數(shù)據(jù)

如果你的產(chǎn)品原來就有網(wǎng)站、APP，那么數(shù)據(jù)收集起來就相當(dāng)容易了，我們可以根據(jù)用戶平時的反饋情況、常見問題解答、系統(tǒng)日志、消息記錄等進行收集。

（2）客服中心數(shù)據(jù)

如果你的產(chǎn)品有客服服務(wù)，那么這部分數(shù)據(jù)收集起來可以幫我們大忙，因為不管客戶是通過文字咨詢客服，還是通過電話咨詢，這些數(shù)據(jù)已經(jīng)是自然對話的內(nèi)容了，能幫助我們了解客戶在操作中真實面臨的問題，以4S店汽車銷售為例：

當(dāng)你去咨詢時，一般他們都有銷售的模板話術(shù)、實際場景的銷售對話案例、售后客服、網(wǎng)絡(luò)客服等，這些數(shù)據(jù)都是一份不錯的資源，都可以收集起來。

（3）用戶調(diào)研

如果你的產(chǎn)品是初創(chuàng)的，沒有以上現(xiàn)成的數(shù)據(jù)，我們可以通過用戶調(diào)研，人工模擬對話過程進行收集，這部分數(shù)據(jù)一定程度上可以代表真實用戶的想法。

在收集時我們最好模擬人和機器人真實的對話流程，這里我們可以直接通過發(fā)送消息的形式，獲得對話內(nèi)容，在開始前，我們只需要告訴用戶測試目標(biāo)，同時和他說他是在和機器對話（實際是你），讓對話盡可能的真實。

那么如何進行用戶調(diào)研呢？用戶調(diào)研可以分為兩個階段前期調(diào)研和后期調(diào)研，下面一起來看看。

1）前期調(diào)研

前期調(diào)研數(shù)據(jù)不用過多，只需要3~6個建立初始數(shù)據(jù)即可，我們可以根據(jù)需求分析制定的用戶畫像，尋找滿足類似條件的人，并記錄他們整個對話內(nèi)容，以4S店汽車銷售的用戶畫像為例：

我分別列了三個代表型人物，我們可以根據(jù)這些人物特點尋找對應(yīng)的調(diào)研對象，每組找2個適合的人即可，由于每個的職業(yè)、文化水平、期望值不同，因此溝通內(nèi)容也不同，需要我們將其一一記錄下來。

2）后期調(diào)研

當(dāng)系統(tǒng)有一定的數(shù)據(jù)后，我們可以利用對話工具來進行數(shù)據(jù)收集，這時候我們可以邀請100到200個不同人群、職業(yè)、年齡、性別等人來進行測試，這樣我們可以收集到更真實的數(shù)據(jù)。

這里我們可以利用百度UNIT搭建一個對話系統(tǒng)，快速收集數(shù)據(jù)。

最后大家需要注意雖然以上的數(shù)據(jù)能夠提供給我們幫助，但是這些只是開始，在真實場景中可能會遇到更多的問題，你會發(fā)現(xiàn)之前的數(shù)據(jù)已經(jīng)不能滿足，這時候就需要我們持續(xù)進行優(yōu)化對話樣本、詞典詞槽、問答對等。

四、持續(xù)優(yōu)化階段

場景數(shù)據(jù)收集完后就該交給工程師搭建對話系統(tǒng)了，當(dāng)系統(tǒng)搭建完成我們的工作并沒有完，還需要繼續(xù)優(yōu)化，我們可以通過系統(tǒng)日志分析，發(fā)現(xiàn)系統(tǒng)中未識別或識別錯誤的意圖，以及分析已識別的意圖是否是核心需求。

1. 優(yōu)化未識別的意圖

當(dāng)你在檢查日志時發(fā)現(xiàn)未識別的意圖時，你需要進一步確定該意圖系統(tǒng)是否已定義了。

1）如果系統(tǒng)未定義意圖，同時其是核心功能，優(yōu)先級高，那么我們就需要從新定義意圖、制作對話樣本，如果優(yōu)先級低我們可放到后面再優(yōu)化。

2）如果發(fā)現(xiàn)未識別的意圖，系統(tǒng)已經(jīng)定義了，那么就需要我們檢查看看在設(shè)置中是否有遺漏，比如有沒有對應(yīng)的對話模板，對話模板寫得對不對。

2. 優(yōu)化識別錯誤的意圖

在日志分析時，如果發(fā)現(xiàn)識別錯誤的意圖時，我們可以通過檢查找出錯誤意圖，并進行修改。另外，我們還可根據(jù)用戶反饋發(fā)現(xiàn)識別錯誤的意圖，并進行修改。

3. 優(yōu)化已識別的意圖

在日志分析時，針對已識別的意圖，我們還需要判斷他在對話中的占比，進一步分析該意圖是否對應(yīng)用戶的核心需求，是否需要調(diào)整。

4. 合理使用知識閉環(huán)推動效果優(yōu)化

持續(xù)優(yōu)化的階段需要整個團隊來進行，下面可以參考百度UINT提供的優(yōu)化流程圖。

VUI設(shè)計師/對話訓(xùn)練師優(yōu)化對話樣本、詞典詞槽；開發(fā)者需要測試對話、效果評估、應(yīng)用對話模板/樣本，技能訓(xùn)練，生效到沙盒環(huán)境；用戶需要發(fā)布到生產(chǎn)環(huán)境、交互學(xué)習(xí)、生成對話日志。

然后VUI又根據(jù)日志優(yōu)化未識別、識別錯誤、已識別的意圖，持續(xù)兩個數(shù)據(jù)閉環(huán)的優(yōu)化就可以讓技能模型更智能了。

劃重點

本篇和大家梳理了VUI設(shè)計師的工作流程中的場景數(shù)據(jù)和持續(xù)優(yōu)化階段，知識點分別有：

1. 場景數(shù)據(jù)階段：VUI設(shè)計師完成需求分析、對話設(shè)計之后，還需要進行場景數(shù)據(jù)的收集，比如收集對話樣本、詞典詞槽，問答對等，讓人機對話更真實自然。
2. 持續(xù)優(yōu)化階段：優(yōu)化階段和UI類似，UI設(shè)計產(chǎn)品上線之后需要進行界面的驗收；VUI也需要進行驗收，主要從四個方面進行優(yōu)化：未識別的意圖、識別錯誤的意圖、已識別的意圖、合理使用知識閉環(huán)推動效果優(yōu)化。

#參考引文#

https://ai.baidu.com/unit/home百度大腦UNIThttps://ai.baidu.com/docs#/UNIT-v2-sample/top 實用范例

《語音用戶界面設(shè)計》[美]Cathy Pearl著 王一行譯

作者：風(fēng)箏KK，公眾號：海鹽社

本文由 @風(fēng)箏KK 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議