作者從自己的實際工作出發，以兒童機器人場景為例，從多個角度對如何構建閑聊機器人進行了闡述，並分享了與機器人「吹水的」價值、方式方法以及背後原理。
一、機器人概述
機器人按照對話方式，可以分為「問答機器人」、「任務對話機器人」、「開放閑聊機器人」。但機器人的落地使用過程中，往往需要不同作用的機器人進行結合。
拿電器類客服機器人舉例來說，會有如下對話：
用戶：「包安裝嗎」
機器人：”我們是包安裝的哦，親「
以上是我們最常見的問答場景，機器人通過檢索方式，找出query對應的answer返回給用不。
再比如：
用戶：「我要查物流」
機器人：「您要查詢的是哪個訂單」（提供訂單A&訂單B&訂單C）
用戶：選擇A
機器人：該貨品目前已經由順豐發出。
在以上場景中，機器人需要通過多輪方式完成查物流的任務。
這就像咱人一樣，在工作中，不僅需要有決策和解決問題的能力，還需要有日常溝通能力，任何一項都是不可或缺的。
由於工作中接觸了各類機器人，對於開放域聊天內容的感觸比較深的是，閑聊本身在機器人的場景中，作用會相對弱一些，但大部分時候，又屬於機器人的基本能力，屬於典型的「得不到的永遠在騷動，得到的有恃無恐」。
而目前市面上的機器人介紹文檔，一方面關於閑聊的內容不多，絕大部分是任務型和檢索性的文章；另一方面，閑聊的介紹更偏向於技術實現方式。但小七我認為，想要做好開放域聊天，其實不能只考慮技術實現，而應該從產品本身出發。
所以今天，小七結合之前做開放域機器人的實操過程，主要以兒童機器人場景為例子，從不同角度來闡述如何構建閑聊機器人，跟著我燥起來！
二、吹水的價值
閑聊，俗稱「吹水」。朋友間吹水，講究開心就好。所以，閑聊是一個雙方都帶有情感訴求的過程，可以是解悶逗樂，也可以是哭訴慰藉。
基於此，如果用戶與機器人進行閑聊互動，必定是希望機器人能引起其情感的共鳴和變化。如下對話是用戶跟「小愛同學」（小米音箱）的對話：
用戶：小愛同學，放個屁
robot：矮油，人家是女孩紙，怎麼會做這麼羞羞的事情。既然主人想要聽放屁，我就勉為其難放一個，放的不好可不許怪我哦。
噗~~
用戶在這次對話中，讓小愛同學放屁，純粹是逗樂找趣。同時，機器人的反應也是有一定套路，讓用戶感受到，這是一個可以給自己帶來樂趣的朋友。
當一個朋友情商特別高，能夠在自己傷心時給予安慰，無聊時帶來樂趣，開心時互相分享，任何一個人都會很感激有這樣的益友，讓人離不開。
比如用戶面前有一個娛樂機器人，前者習慣性會以人與人交流的形式來進行對話。這時候，機器人不能而不是「直男」，顧著解決問題，也應該是一個情商高的朋友，感知用戶的情感，並在回復時伴隨著相應的情感，讓用戶感受到樂趣和溫度。
只有這樣子，用戶才能與機器人做更多交互，提高用戶粘性，而不是「仰天嘲笑出門去，AI都是智障人」？
三、如何吹水
用戶如果有意和機器人扯犢子吹水，必然會有」像人「的期望值。這個標準說起來簡單，做起來相當得難，畢竟nlp技術還真沒達到完全理解人類的水平。
如果我們換個角度，如《西部世界》中所講，機器人如果擁有了記憶，便開始進化成有意識的生物了。同樣的，對於【像人】（類似有意識）這個狀態，我們可以抽象出一些特質，機器人如果擁有了這些特徵后，能讓用戶覺得還不錯，願意聊下去。
那以下是筆者從過往做閑聊機器人過程中所抽象出的特質，下面會一一做介紹。
1. 人設一致性
（1）人設一致性的意義
每個社會人都有自己統一的人設，包括身份、性別、形象、性格、愛好等，人與人之間也是基於這個「本」在對話。即使是路上的陌生人問路，也會先根據對方的形象、性別稱呼，比如路上經常有人找我問路，都會說：「你好，帥哥」。而這稱呼，本身就是一個人物設定的表現。如果一個人人設不一致，有時候東，有時候西，那要麼是這個人太戲精，要麼就是神經錯亂，比如下面這個人：
A：你是誰
B：我是來自廣東的產品經理
A：那你平時工作都在幹嘛
B：我在畫建築設計圖，敲代碼，修空調。
A：（這恐怕是個假的產品經理吧）
機器人也一樣，需要立個人設在用戶前面，才能讓後者有真實感，安全感。如果機器人沒有人設，會讓聊天變得異常怪異。有時候回答不上來、有時候亂回答，有時候上句不接下句，用戶會認為亂七八糟，溝通不了。就如Cathy Pearl在《語言用戶界面設計》中所說：「人物模型的一致性，使人們能夠在與它們溝通時得以預測接下來會發生什麼」。
（2）設計方式
那我們要如何設定機器人的人設呢？平時我們要了解一個人，一般會從其背景信息出發，如名字、家鄉、職業、愛好等；其次，通過其談吐舉止，也可以了解一個人的性格特徵。
關於機器人的背景，我們需要給到它一個故事。《西部世界》中，每個機器人都有自己的身份和劇本。但用戶會問機器人的哪些背景信息呢？事實是，不大可能枚舉出一個人的所有背景信息，就連人都可能忘了自己很多以前的事兒。
這裡我們可以從日常提問（高頻問題）入手。以兒童機器人為例，在我們之前做的項目中，從線上交互數據看出，諮詢機器人背景信息的query佔了所有交互數據的10%以上。這類問題包括：
- 機器人的身份是什麼？姓名、年齡、生日、星座、家鄉等
- 機器人的能力是什麼？
- 機器人的愛好是什麼？
- 機器人的家庭背景、社交背景是怎麼樣的？
另一方面，我們需要設計機器人的性格特點，以此來體現其談吐。性格特點可以是風趣、自信、忠誠，亦或是調皮、溫暖、腹黑。
最終我們可以有這麼一個故事：
我們要創造一個兒童機器人，叫小七，男生，獅子座，關鍵很帥，來自泰坦星永恆一組，由於星球瀕臨滅絕，爸爸媽媽送他到了地球，所以他留在地球和人類愉快地生活。小七性格幽默，樂於助人，但有時候也有些腹黑，還有些喜歡掉書袋，教育小朋友。
（3）產品舉例
筆者也找了市面上做botframework的平台，這類產品的側重點主要在於技能定製及模型訓練，而對於人設很少涉及。後面發現以下兩個平台有相關設定，其中：圖靈機器人涉及到的屬性有性別、年齡、星座、爸爸媽媽；海知涉及的屬性包括姓名、性別、生日、喜好和爸爸媽媽。人設內容不多，但這類機器人基礎配置，還是必不可少的。
圖靈機器人人設頁面：
海知ruyi機器人人設頁面：
2. 語言風格設定
（1）意義與設計方式
語言風格首先要符合人設特點。幽默的性格，機器人的回復就需要搞笑輕鬆一些，若是嚴謹的性格，機器人說話就需要嚴肅。想象一下，一個在法院的政務機器人，當你問它你會啥的時候，它說會泡妞撩妹，那場面真的會難以控制。
比如前面提到的小七喜歡掉書袋，那我們可以在小孩子玩遊戲很久之後，提醒小朋友需要休息一下，然後看看書，或者引導其來學習古詩詞。
確定了語言風格之後，就需要將這種性格特點體現在機器人的對話中。我們可以從用戶所有query中，抽象高頻場景進行針對性設定，使得機器人人設和說話風格一致，更像一個人在聊天，這也是我們最終的預期效果。
而在這個過程中，為了讓機器人顯得更加擬人化，我們也嘗試加入了一些類似口頭禪的feature，比如有的人習慣以「呃」來開始，有的人喜歡說「然後」來銜接。
（2）產品舉例
在以往例子中，我們所發現的其中一個高頻場景是：用戶會重複問同一個問題（不知道是不是都是一些智能程度檢驗師在聊天，尷尬）。這種情況是極不建議機器人一直是單一回復，那就成了一個對話復讀機了。而微軟小冰對於用戶這種互動，結合了她自己的人設和語言風格來回應（比如：撒嬌、傲氣）。
我們可以探索下微軟小冰的策略：
小冰的策略是，針對同個問題，給出不同的回復。若用戶重複太多次，小冰會有情緒的變化，慢慢地顯得不耐煩，並且開始責怪用戶，到最後乾脆不回答了，直到用戶說其他內容，就回復「你終於不說重複的話啦~」。從中我們可以看出，小冰的語言是很活動調皮並且較為傲嬌的。
也只有這樣豐富的語言體現，用戶才更相信對面是個可以聊天的朋友，而不是一個無聊的智障機器人。
3. 個性化
（1）個性化意義
如同政治課本中的一句話：世界上不會有完全一樣的葉子。即使如雙胞胎，也會有各自的個性。我們過往發生的每件事情，讓我們形成了特有的世界觀，價值觀，人生觀。三觀決定了每個人的思想不同，而語言是思想的折射，從而讓每個人談吐都是與眾不同的。
相應的，機器人也應該有自己的過往記憶，從而形成自己與眾不同的三觀。 這樣，每個機器人都是個性化的，就跟我們不同性格的朋友一樣。
（2）設計方式
當然，如果要記住所有的事情，對於機器人來說是困難的，也會顯得沒有意義，畢竟人也有記性差的時候。那機器人需要有什麼記憶呢？除了剛才的背景信息，最重要的，是要記住它的主人，即用戶。
也就是說，機器人需要能記住自己主人相關的信息，包括姓名、性別、愛好等方面，甚至某些過往的交互行為。這樣，當某個用戶A擁有了一款能記住機子的機器人，即使市面上有其他機器人，對用戶來說，這個機器人小夥伴都是獨一無二的。
那要記住用戶，首先得有個收集用戶畫像的過程。這各場景就跟男生想要了解妹紙一樣，要麼是自己主動了解（撩），要麼是自己通過細心觀察（備胎式方案），被動了解。
1）主動了解型
如果機器人想主動去了解用戶，就需要找準時機，否則會顯得十分突兀，甚至讓用戶產生防備心理。
一般來說，最好的時機，應該是兩個朋友相互了解的時候。具體我們可以看以下例子：
用戶：你叫什麼名字呀？
機器人：我叫小七。主人你呢？
用戶：我叫小八，你好呀。
機器人：你好，小八。我知道自己主人叫啥了，好開心！
用戶：你會做什麼呢？
機器人：唱歌跳舞，啥都會呢。小八，你平時喜歡幹什麼呢？
用戶：我也喜歡唱歌呢。
機器人在這樣的互動中，能夠了解到用戶的興趣愛好，並記憶下來。而用戶也會覺得這個機器人真的像自己的玩伴，從而更願意與其玩下去。
2）細心觀察型
當然，如果機器人能夠細心留意用戶以往說的話，也可以從中了解很多信息，從而做出很驚艷的交互表現。比如：
（早上）
用戶：早上好
機器人：早上好，小八。今天周末天氣很好，小八有打算去哪裡玩嗎？
用戶：今天要跟爸爸媽媽去動物園。
機器人：聽起來很棒呀。要玩得開心哦
（晚上）
用戶：晚上好。
機器人：小八呀，今天去動物園玩了一天，能跟我講講都玩了什麼了嗎
用戶：我今天看了斑馬、獅子、孔雀。。。。
機器人：好像很好玩呀。下次小八帶著小七一起去，好不好
機器人不僅能記憶，而且記性也好，讓小朋友感覺真的有在關注自己，也讓家長相信機器人確實是一個好陪伴，讓孩子不會孤單。
通過這樣的記憶，讓每個機器人都成為特有的存在。每個小朋友都有陪伴自己成長的專屬的玩伴。
P.S.當家裡有兩個小朋友的時候，如果希望機器人能夠記住用戶是誰，我們也可以通過聲紋識別方式記住不同用戶的名稱。
4. 主動引導
（1）意義
一個相對智能的吹水機器人算是擺在這裡了。但事實告訴我們，如果只是這樣，用戶不會一直和他聊下去。市面上很多機器人會宣稱自己有很多能力，可以陪伴小孩子，還可以教小朋友數學、英語等等。咱先不說這些能力有沒有用，好不好玩，到底能不能被用戶觸發，才是首要考慮的問題。
想象一下，兩個人在聊天，永遠是其中一方在找話題，另一方只是在附和，就算話癆也不可能永遠有話題。而且，用戶往往不知道要和機器人聊啥，尷尬的氣氛會讓前者失去聊下去的興趣。所以，通過機器人主動引導來找話題，從而讓用戶不斷來聊天，便顯得尤為重要。
（2）設計方式
設計主動引導的時候，產品經理需要講究策略，主要解決三個關鍵點：內容、時機、話術。
1）引導內容
選擇引導什麼內容，這個取決於機器人的能力和定位，比如一個寓教於樂的機器人，應該多讓小朋友做數字遊戲、詩詞遊戲等互動。同時，機器人如果學習（上線）了一些新的能力，也需要及時引導用戶來體驗，保證用戶的活躍度。
2）引導時機
對於時間點的問題，我們可以選擇在開頭、過程中以及結尾三個timing去觸發。
比較常見會在用戶喚醒機器人時候去引導其體驗能力，如下case便是小度音箱在過年期間的能力引導，會在用戶開始閑聊之後，直接推薦響應技能。
user：小度小度，晚上好
小度：晚上好呀。先來看看明天的天氣吧，稍後還有精彩節目等著你哦~
小度：明天天氣xxxxx
小度：我為您整理了一些收聽率很高的節目，聽聽看吧，覺得不喜歡可以跟我說「換個台」
但如果每次都在喚醒時引導就會顯得特別生硬。我們想象一下，兩個朋友在扯皮吹水，一般是從一個話題突然想到其他話題就開聊了。同理，用戶跟機器人聊天，也應該允許雙方聊著聊著就扯到其他話題的。
我們也不必在所有聊天內容中去想辦法做話題引導。首先，應該找出用戶的高頻聊天場景中，比如小朋友會經常讓機器人講笑話，講完后就可以引導做其他寓教於樂的遊戲。當然，實際情況不可能如此簡單暴力，觸發條件需要做權重計算，包括用戶各類技能的觸發次數、其他引導場景的觸發頻率、歷史引導的用戶反饋（如用戶說：我不喜歡）等。
最後就是在結尾的timing做引導，也就是當雙方都陷入沉默的尷尬氣氛的時候。拿小米音箱舉例，由於是全雙工喚醒，當用戶每隔15s沒有說話，則會主動引導一次，連續三次引導無果才會退出喚醒狀態。比如：「主人你去哪兒了？告訴你哦，我最近新學了一項技能，要不要跟我一起玩呢」。這樣可以引起用戶聊下去的興趣，開始新的話題，保證cps的數據上漲。
3）引導話術
至於最後的引導話術，因為不同場景的話術是不一樣的，所以要保證與我們先前講的語言風格一致，至少不能讓一個很嚴肅的學霸型機器人突然撒嬌說：「跟人家聊點別的東東嘛~」
5. 趣味性
所謂好看的皮囊千篇一律，有趣的靈魂萬里挑一。說到底，一個chatbot如果不好玩，再怎麼折騰也沒用。另一方面，聊天機器人始終是一個To C的產品，通過運營好玩的內容，保證活躍和留存是相當重要的。這往往能給到用戶意想不到的驚喜，從而產生持續對話的興趣。
如何讓閑聊變得好玩，就不得不提小冰的套路了。一方面，小冰日常會更新技能，不斷刺激用戶去體驗；另一方面，也會在各種聊天中皮一皮，讓用戶相信這是個有趣的「朋友」，比如上文提到的對於用戶故意使壞，一直重複單句的場景。
再比如，小冰曾經更新一個「讀心術」的技能，也就是在15個問題之內猜出用戶心裡想的人物是誰。利用ID3決策樹等演算法先將人物及特徵作為訓練樣本，再讓小冰反問用戶，為每個特徵分類，最後選中用戶的「心上人」。
通過這一個個的小遊戲，可以讓用戶不斷產生愉悅感及下次的期待感，朋友之間也是這樣，總有一些共同話題和興趣活動，才能讓雙方成為知己。
之前設計閑聊機器人時，小七也設定了某些套路策略。比如情人節前後的土味情話，每天用戶開始進行互動的時候，以主動消息的方式來發土味情話。當時每天的土味情話在情人節期間還是帶來了不少的留存和活躍的。在實現方式上也比較簡單，直接利用規則設定即可，ROI還是挺高的。
user：打開聊天女僕
bot：主人你好呀。啊，你有沒有聞到什麼味道？
user：沒有啊/什麼味/…
bot：怎麼你一出來空氣就甜炸了啊
同樣的，兒童機器人更需要這樣的趣味性和新鮮感，畢竟兒童天性就是「喜新厭舊」。如果小玩伴每天都是玩同樣的遊戲，說同樣的話，到最後一定「沒朋友」。所以可以加入寓教於樂的兒童遊戲，日常更新的兒童笑話，兒童故事，來吸引小朋友的注意，讓孩子喜歡上這個玩伴。
6. 情感
根據馬斯洛的需求層次理論，情感和歸屬（love and belonging）的需要是極為強烈的，缺乏該需求的人，往往會因為沒有感受到身邊人的關懷，而認為沒有價值活在這世界上。而對於開放域聊天機器人，市場往往會將其定位為陪伴，以提供一定程度的情感需求。因此，如何讓機器人感知用戶的喜怒哀樂並做情感陪伴，就有很大的必要性了。
這裡分為兩塊，其一是如何識別用戶情緒；其二是機器人如何做情感反饋。
（1）情緒識別
我們暫不討論情感識別的技術識別，而是從產品側分析機器人要識別哪些情緒，從數據角度，就是劃分哪些數據作為情感分類。
情感有很多種，態度上有喜歡和討厭，心情上有悲傷和快樂，人際上有疏遠和冷漠，等等。選擇哪些情感場景做反饋，主要取決於兩點：
- 機器人定位：比如兒童陪伴場景，機器人對用戶的大部分情緒都應該有敏感的識別，才能讓兒童感受到陪伴的意義；而法律機器人的閑聊場景，很多情感問題可以不用太注重，機器人選擇統一回復即可。
- 機器人回復內容的顆粒度：比如在兒童場景中，小朋友罵了髒話，其實不需要了解具體罵的啥內容，都應該先引導小朋友文明用詞，所以髒話內容的分類不需要太細，只要是髒話就做統一回復即可。
（2）情感反饋策略
當知道了用戶開心、失望還是憤怒的情緒之後，身為「朋友」的機器人就需要有所回應。針對不同的情緒分類，機器人可以有不同的策略。這裡我們可以列一下兒童場景中集中回復策略：
用戶生氣（說髒話）：小朋友不可以說髒話哦，這樣我就不想跟你玩了，我只想跟文明的小孩做朋友呢～（教育策略）
用戶生氣（無髒話）：怎麼了？有人惹你不開心了嗎？沒事，有小七陪著你舒緩心情呢～不如跟我一起聽首好聽的兒歌放鬆放鬆吧（引導兒童場景）
用戶失落：主人，成長路上有不開心的事情，也會有開心的事情呢~至少小七一直陪著主人。對咯，我剛聽了一個笑話，可笑死我了，我也讓主人開心一下吧～（引導笑話場景）
用戶害怕：主人你抱著我，就沒啥好怕的了，我們一起變勇敢！
用戶開心：主人開心，小七就更開心啦。但是，但是，你要陪小七讀詩詞的呢，不要忘了哦～（引導詩詞場景）
總而言之，機器人的情感陪伴的最終效果，應該是真正做到：不許騙我、罵我，要關心我；別人欺負我時，你要在第一時間出來幫我；我開心時，你要陪我開心；我不開心時，你要哄我開心。嗯，最佳損友！
7. 特別說明：敏感詞處理
根據2017年國家頒布的《網路安全法》第47條和68條的規定，企業要保證自己的網路運營平台內容安全，若出現敏感詞等違規行為將會收到行政處罰，甚至被勒令停業整改。而作為聊天機器人的產品設計者，需要保證機器人不亂說話，否則牽連成本巨大。
所以一般我們會設計一個敏感詞庫，並且做日常維護更新。有了敏感詞庫之後，我們來看機器人的回復語料來源，主要由三種渠道：（1）人工添加；（2）網上爬取；(3）自動生成。對於（1）（2），我們會考慮在錄入回復的地方做敏感詞過濾；而對於自動生成的回復，一般會在生成回復的時候，過濾掉敏感詞。
嗯，做個聰明的機器人，知道什麼該說，什麼不該說。
四、吹水是怎麼練成的
這一章主要聊的是機器人的實現方式，除非是演算法類的產品經理，其他AI產品經理的重點還在於用戶場景，所以這塊我們簡單聊一下即可（畢竟說了好多了，在這段感情中累了）。
1. 檢索式閑聊實現
基於對話式檢索的閑聊主要使用匹配句子相似度的方式，比如先將用戶消息及對話庫的分類轉換為句向量，再計算兩者之間的餘弦距離以得到語義相似度，最終將相似度最高的分類對應回復話術返回給用戶。
想要轉換為句向量，由詞向量通過監督方法或者無監督方法獲得。現在主流的詞向量模型有Word2Vec、BERT等。當獲得了詞向量之後，可以通過各類模型獲得，如CNN、跳躍思維向量、快速思維向量。
整體流程可以概括為：
（1）將query做分詞等預處理，再通過Word2Vec、BERT等模型將分詞結果轉化為詞向量，再利用快速思維向量、跳躍思維向量等方式獲取句向量
（2）將生成的句向量與模型模型已經處理過的分類匹配，計算兩者餘弦相似度，獲得相似度分值；
（3）根據分值排序，選擇最佳相似問句，將對應answer返回。
當然，之前演算法大大分享過：由於語料庫巨大，如果每一條語料都與query計算，匹配效率會賊低。所以可以用一個高效的搜索引擎做粗粒度的篩選，選出候選答案，再進行向量方式處理。
2. 生成式閑聊實現
生成式聊天機器人採用端到端的深度學習模型，如seq2seq，會從海量對話數據中學習到問題和回復，從而對每條query都自動生成回復。翻譯過來就是，回復內容不必預設，全部讓機器人自己來生成。
一般可以通過LSTM等模型將輸入的序列映射為固定長度的向量，然後使用深度LSTM從向量中解碼得到目標輸出序列。
業界的觀點中，目前seq2seq的生成模型往往會出現安全回答的問題、機器人個性不一致的問題和多輪對話中的對話連續性問題。我司演算法大大跟我說過，這類情況也不是沒辦法解決，一般會在生成模型中加入外部知識（如小冰的話題模型以及情感分類模型）來讓回復更有意義。
當然，在小七的觀點中，生成模型不只是會出現這三個問題，我們剛才講到的吹水策略，才是閑聊機器人的重點價值體現。生成式雖然可以保證每條消息都能有所答覆，但朋友間的閑聊，不在於有話必應，而在於用心溝通，用心交往。
當然，我也曾經天真地設想過一個方案：利用檢索式滿足策略回復同時，對於大量長尾的query，可以用生成回復，並引用情感等模型來保證回復內容更有意義，這個顧全大局但ROI賊低的方案活生生就被演算法大大一句「天真」懟回來了，哈哈哈哈哈~
五、怎麼知道吹得好不好
當我們將一個閑聊機器人構建完成並且上線了，不代表產品經理的工作就完成了。我們需要通過數據，了解機器人吹水能力是不是OK的，是不是真的達到用戶預期。
平日里我們說一個人溝通能力強，能夠和任何人談笑風生，但並沒有一個標準，往往都是主觀判斷。而機器人是一個產品，產品經理始終需要找到可以衡量價值的指標，才能證明這個閑聊機器人是否真的滿足用戶需求。
如上圖所示，從不同的目標來看，產品經理需要關注不同的指標，比如我們設計了一款兒童陪伴硬體機器人，從上往下都有不同的指標。
對於企業來說，首先關注的就是好不好賣。產品經理就需要根據銷售量情況，去設計場景和亮點，保證產品側對銷售量的提升。
從用戶角度來說，產品經理就需要關注其使用情況，大部門閑聊場景都是To C，所以避免不了要關注留存、活躍，也只有這兩個指標上去了，才能體現機器人陪伴的意義。其次，我們也需要關注每次對話的輪次，來了解用戶是否願意聊下去，也就是業界所說的CPS（單輪對話次數）。
從功能來說，產品經理需要考慮每個技能的使用情況，包括每個技能、場景的觸發率、完成率、留存率。這類指標可以說是對整體留存、活躍、CPS的深層次現象探究，比如哪些場景的觸發率高，從而提升了cps；哪些技能完成率低，導致整體活躍降低。
最後，機器人是一個智能化系統，自身也應該有一些客觀標準來衡量其智能化程度。因為我們討論的主要是基於檢索式的閑聊系統，其常用評判標準有召回率、精準率和F-測度。