2019年于2019年7月21日在巴黎开幕，是展示信息检索领域新技术和成果的顶级国际会议。今年，支付宝精选了多篇论文，围绕智能客服、动态文本检索等主题，与业界分享其积累的人工智能信息检索技术应用成果。

随着数字技术的发展，数字生活已经渗透到日常生活的方方面面。数字世界中日益海量的信息需要不断更新的技术和方法来处理，提高服务效率，让更多价值被发现。

本文将重点介绍支付宝此次入选的论文精华。

不可预测：使用强化学习来预测用户意图

早在2017年，支付宝智能客服就实现了“先问后答”功能，这意味着智能客服系统甚至可以在用户提问之前就“猜测”出问题并给出答复，仿佛具有预测能力一样。未来。

据介绍，用户意图预测是智能客服系统的重要组成部分。其本质是根据用户的历史行为和状态来预测用户可能遇到的问题，并将候选问题呈现给用户供其选择，从而提高用户体验。这样的用户意图预测任务可以被视为top-N推荐任务。过去典型的解决方案是寻找用户最感兴趣的候选问题，往往忽略问题之间的相互关系，旨在优化点击等直接奖励。

在本次会议收录的文章《g for User in Bots》中，支付宝AI工程师将用户意图预测建模为N步序列决策过程，并使用强化学习（RL）来寻找最佳推荐策略。在每一步中，支付宝工程师都会根据强化学习模型找到合适的问题添加到推荐列表中，同时允许策略随着问题流行度和用户行为模式的变化而不断更新和调整，以更好地捕捉推荐问题之间的差异。增强用户体验的相互关系。

即时回答复杂问题：提出无监督学习优化方法

对于智能客服的另一个场景——基于文本的问答，系统面临的挑战是当包含多个实体和关系时需要直接响应。当需要解决多个基于文档的响应时，这个问题尤其重要。基于知识图谱的问答系统可能会给出更好的答案，但它们仍然受到图谱固有的不完整性和延迟的限制。

在论文《-with》中，支付宝AI工程师提出了一种通过基于即时文本源计算不同文档的部分结果的相似度来直接回答复杂问题的方法。使用节点和加权边构建噪声类知识图，该知识图由动态检索的实体名称和关系短语组成。该类知识图谱通过实体类型和语义对齐进行扩展，然后使用Tree算法计算最佳答案。该方法是无监督的，没有训练数据瓶颈，可以应对用户问题中特定主题和表达风格的快速变化。处理复杂问题时的实验结果远远超过了当前最优的基线系统。