正文
消息层：将“对话”过程中的特定功能都抽象为具有特定消息类型的组件，这些组件在不同的渠道中都可以复用，阿里小蜜平台90%的功能扩展都可以通过消息层轻松实现
业务组件层：将”非对话层“的业务都抽象到这层中，提供串行加载、扩展等功能
View层：具有典型 WebIM 功能，提供 Input、output、addPlugin等API
客户端定制层：适配不同行业业务在不同的APP端的定制层
后端架构体系
2.算法体系
在算法体系持续按照面向不同的场景优化和升级整个算法体系模型，在2017年阿里小蜜平台的算法体系同样也按照领域化和平台化体系持续升级发展，整个人机交互架构如下：
下面选择几个比较有意思的工作做一下展开。
迁移学习下的DeepQA探索
随着阿里小蜜平台不断的扩展，不仅需要在面向C端的手淘上帮助用户解决服务咨询类问题，而且也需要在新领域和国际化中承担起任务，而这些领域中存在标注数据量不足或者难以获得的问题(例如在AliExpress中的西班牙语场景)。基于此，我们希望利用已有的标注数据来优化小数据领域的QA匹配效果，而迁移学习在这方面就能发挥重要的作用。它最核心的思想就是将从一个环境中学到的知识用来帮助新环境中的学习任务。因此，在该场景下我们提出DRSS-Adv的迁移学习模型，用来建模QA匹配问题。
通常来说,TL的模型有两类，一种是unsupervised，另外一种是supervised。前者假设完全没有目标领域的标注数据，后者假设仅有少部分目标领域的标注数据。具体大家可以看下文献[2]的综述。在我们的业务中主要关注supervised的迁移学习技术，同时结合深度神经网络（DNN）。在这个设定下主要有两种框架，一个是Fully-shared(FS)，另外一个是Specific-shared(SS)，框架图如下：
基于增强学习的智能导购
智能导购主要通过支持和用户的多轮交互，不断的理解和明确用户的意图。并在此基础上利用深度强化学习不断的优化导购的交互过程。下图展示了智能导购的技术架构图：
这里两个核心的问题：
a：在多轮交互中理解用户的意图。
b：根据用户的意图结果，优化排序的结果和交互的过程。 下面主要介绍 导购意图理解、以及深度增强学习的交互策略优化。
智能导购的意图理解和意图管理
智能导购下的意图理解主要是识别用户想要购买的商品以及商品对应的属性，相对于传统的意图理解，也带来了几个新的挑战：
1.用户偏向于短句的表达。因此，识别用户的意图，要结合用户的多轮会话和意图的边界。
2.在多轮交互中用户会不断的添加或修改意图的子意图，需要维护一份当前识别的意图集合。
3商品意图之间存在着互斥，相似，上下位等关系。不同的关系对应的意图管理也不同。
4.属性意图存在着归类和互斥的问题。
针对短语表达，我们通过品类管理和属性管理维护了一个意图堆，从而较好的解决了短语表示，意图边界和具体的意图切换和修改逻辑。同时，针对较大的商品库问题，我们采用知识图谱结合语义索引的方式，使得商品的识别变得非常高效。下面我们分别介绍下品类管理和属性管理。
