第227章 虛擬演員在 AI 聊天機器人中的實際對話腳本與情緒路徑優化

# 第227章 虛擬演員在 AI 聊天機器人中的實際對話腳本與情緒路徑優化 > **目的**：本章將結合前幾章學到的情緒模型、對話管理與系統架構，實際說明如何為虛擬演員設計能夠自然對話、情緒可追蹤且可持續優化的腳本。 ## 1. 背景與需求 1. **虛擬演員的核心定位**：在聊天機器人中扮演「人性化互動者」角色，需要在語句、語調、情緒上與使用者保持同步。 2. **挑戰**： - **對話脈絡維持**：長篇對話易失去主題。 - **情緒漂移**：模型隨時間偏離原有情緒基準。 - **安全與合規**：避免冒犯、歧視或不當情緒表達。 - **評估指標**：不僅是 F1、BLEU，還需情緒一致性、用戶滿意度、危險語料檢測。 3. **技術依賴**： - **NLP**：transformer‑based 對話生成。 - **情緒嵌入**：`EmotionEmbedding` 於句子層。 - **對話管理**：Rasa、Dialogflow、或自建 Finite‑State Machine (FSM)。 - **A/B 測試**：持續監測情緒分布與用戶回饋。 ## 2. 對話腳本設計原則 | 原則 | 說明 | 具體做法 | |---|---|---| | **目標一致性** | 角色設定、個性、情緒基準需在整個腳本中保持一致 | 使用**角色配置文件**（JSON/YAML）存儲個性、語氣、情緒極值。 | **脈絡感知** | 每一句話都要知道上下文，避免重複或矛盾 | 引入 **Context Vector**（如 BERT 的 [CLS] 向量）並在每輪生成前更新。 | **情緒可追蹤** | 能夠在對話進程中計算情緒累積、波動 | 在每輪回應後更新 `EmotionScore`，並視覺化於 Dashboard。 | **安全閘道** | 檢測敏感詞、冒犯語句 | 前置過濾器 + 事後審核（如 OpenAI Moderation API）。 | **可測試性** | 方便 A/B 測試與人類評估 | 對話結構分離腳本與模型，使用 **Scenario Test** 生成自動化測試。 ### 角色配置示例（`role_config.yaml`） yaml name: "Luna" persona: - "天馬行空，喜歡星空" - "偶爾會顯露焦慮" tone: "友善、好奇" emotion_profile: - happy: 0.8 - sad: 0.1 - anxious: 0.05 - neutral: 0.05 ## 3. 情緒路徑架構 ### 3.1 情緒層級模型 1. **表層情緒**：即時情緒指標（如 `happy: 0.6, anxious: 0.3`）。 2. **累積情緒**：對整段對話的情緒總體評估。 3. **情緒節點**：對話流程中的關鍵節點，例如「告別」會觸發 `sad` 節點。 ### 3.2 情緒路徑圖（示意） [Start] --> (User: 問候) --> [Bot: 友善回覆] --> (Emotion: happy) [Bot: 友善回覆] --> (User: 需求說明) --> [Bot: 確認需求] --> (Emotion: neutral) [Bot: 確認需求] --> (User: 表示不滿) --> [Bot: 同理回覆] --> (Emotion: anxious) ### 3.3 路徑優化策略 | 方式 | 說明 | |---|---| | **情緒預測** | 使用 LSTM / Transformer 預測下一句情緒，避免情緒跳躍 | | **回饋迴圈** | 將實時情緒分佈回饋給生成模型，調整生成權重 | | **節點加權** | 對特定節點設置情緒加權，確保情緒一致性 | ## 4. 技術實現 ### 4.1 對話管理流程 mermaid flowchart TD A[用戶輸入] --> B[前置過濾] B --> C[上下文更新] C --> D[情緒評估] D --> E[情緒加權] E --> F[生成回覆] F --> G[後置審核] G --> H[用戶回饋] ### 4.2 主要模組 | 模組 | 主要技術 | 參考實現 | |---|---|---| | 前置過濾器 | 正則、關鍵詞庫、OpenAI Moderation API | `moderation.py` | | 上下文更新 | Rasa Tracker, custom `ContextVector` | `tracker.update_context()` | | 情緒評估 | `transformers` + `EmotionEmbedding` | `emotion_score = EmotionEmbedding(text)` | | 情緒加權 | Softmax + `emotion_weight` | `weighted_logits = logits * emotion_weight` | | 生成回覆 | T5 / GPT‑Neo + 退化解決方案 | `model.generate()` | | 後置審核 | Moderation API, 人工審核 | `post_review(text)` | ### 4.3 情緒加權示例（Python） python import torch from transformers import T5ForConditionalGeneration, T5Tokenizer # 載入模型與 tokenizer model = T5ForConditionalGeneration.from_pretrained("t5-base") tokenizer = T5Tokenizer.from_pretrained("t5-base") # 情緒權重映射 emotion_weights = { "happy": 1.2, "neutral": 1.0, "anxious": 0.8, } def weighted_generation(user_input, context_vector, current_emotion): # 1. 生成 logits inputs = tokenizer(user_input, return_tensors="pt") outputs = model(**inputs) logits = outputs.logits # 2. 依情緒調整 logits weight = emotion_weights.get(current_emotion, 1.0) weighted_logits = logits * weight # 3. 生成回覆 generated_ids = torch.argmax(weighted_logits, dim=-1) reply = tokenizer.decode(generated_ids[0], skip_special_tokens=True) return reply ### 4.4 情緒嵌入與累積 python # EmotionEmbedding 計算示例 from transformers import AutoTokenizer, AutoModel emo_tokenizer = AutoTokenizer.from_pretrained("valhalla/emotion-roberta") emo_model = AutoModel.from_pretrained("valhalla/emotion-roberta") def compute_emotion(text): inputs = emo_tokenizer(text, return_tensors="pt") outputs = emo_model(**inputs) # 假設模型輸出情緒分佈 logits = outputs.logits probs = torch.softmax(logits, dim=-1) return probs.detach().cpu().numpy() ## 5. 評估與優化 ### 5.1 評估指標 | 指標 | 目的 | 計算方式 | |---|---|---| | **對話質量** | 回覆相似度、連貫性 | BLEU, ROUGE, Perplexity | | **情緒一致性** | 角色情緒與用戶情緒關係 | `Correlation(EmotionScore, UserEmotion)` | | **用戶滿意度** | 主觀體驗 | 5‑星評價 + NPS | | **安全度** | 冒犯語料比例 | 監測 Moderation API 報告 | | **A/B 測試成功率** | 版本間比較 | 2‑sample t‑test on EmotionScore distributions | ### 5.2 A/B 測試實例 yaml experiment: - name: "default_vs_weighted" version: "v1" metric: "emotion_consistency" comparison: "two_sample_t" significance: 0.01 > **流程**： > 1. 隨機分配 50% 的用戶到 v1，50% 到 v2。 > 2. 每 30 分鐘匯總情緒分佈與用戶回饋。 > 3. 若 p‑value < 0.01 且 `emotion_consistency` 提升 > 5%，則將 v2 推向正式環境。 ## 6. 案例與實作 ### 6.1 星際旅行客服機器人（Luna） | 節點 | 角色回覆 | 期望情緒 | |---|---|---| | 問候 | "嗨！我是 Luna，今天想聊聊星空嗎？」 | happy | | 確認需求 | "好的，我可以幫你查詢星座資訊，請告訴我你感興趣的星座。」 | neutral | | 同理回覆 | "我能理解你的擔憂，讓我們一起找到答案吧。」 | anxious | | 告別 | "再見，願星光永伴你！」 | sad | #### 6.1.1 實際輸入輸出 | 用戶 | Bot 回覆 | |---|---| | "嗨，Luna，我最近在想星座」 | "嗨呀！星座可是宇宙的秘密呢！你想知道哪個星座呢？」 | | "我想知道雙子座」 | "雙子座是個雙面星座，聰明又好變。你最近對它有什麼想法？」 | | "其實我有點緊張」 | "我聽到你說你緊張，別擔心，我在這裡陪你聊聊。你想把緊張的感覺說給我嗎？」 | > **說明**：每一輪回覆後，系統將情緒值寫入 `session_state.emotion_score`，並於 Dashboard 可視化（例如使用 Grafana）。 ### 6.2 自動化對話測試腳本 python # test_dialogue.py import pytest from dialogue_engine import DialogueEngine @pytest.mark.parametrize("scenario", ["happy_path", "anxious_path"]) def test_scenario(scenario): engine = DialogueEngine('role_config.yaml') inputs = { 'happy_path': ["嗨", "我想知道星座", "謝謝"] , 'anxious_path': ["嗨", "我不太好", "請幫我"] } emotions = [] for inp in inputs[scenario]: reply, emotion = engine.process(inp) emotions.append(emotion) # assert emotion consistency assert max(emotions, key=lambda e: e['happy']) > 0.7 ## 7. 小結 1. **角色配置**讓虛擬演員的個性與情緒基準在腳本中得到體現。 2. **情緒路徑圖**與**情緒加權**提供了可追蹤、可優化的情緒機制。 3. **對話管理流程**結合前置/後置審核、情緒加權與生成模型，實現安全且真實的對話體驗。 4. **A/B 測試**與**評估指標**使得情緒路徑優化可循環迴圈。 5. 在實際產品中，持續監控情緒分佈、用戶回饋並調整情緒權重，是提升用戶滿意度與品牌信任的關鍵。 > **後續**：在第228章將深入探討 **多輪對話安全審核** 與 **跨域知識整合**，以進一步擴充虛擬演員的專業能力。