语音助手给人们的生活带来的便捷不容小觑，全场景语音智能搜索的不断完善给人们的娱乐生活提供巨大便利。智能电视的语音助手主要有两大功能：帮助查找视频和陪用户闲聊。前者相对专业，后者更多的是偏向创造性的活动。要实现这两项功能，首先要有庞大的数据库进行支撑。此外，也需要用到自然语言处理（Natural Language Processing）、声音识别（speech recognition）、深度学习（Deep Learning）等技术。

通过语音输入设备传递给智能电视系统层进行编码；再将编码后的语音数据传输至语音数据处理模块对语音进行语音识别处理；识别成功后，将语音数据中包含的文字信息解析出来，并返回给智能电视；最后智能电视对返回的信息映射成控制命令或相关信息输入来对智能电视进行相应操作。如图3-4所示：

图3-4　AI语音交互框图

现阶段人工智能技术在NLP领域有90%以上的意图辨识率，此时可直接利用自然语言，控制电视获取内容。此处的自然语言指的是像人平时对话一样的表达，而非严格的机器指令。以往采用语音遥控的电视主要是通过识别固定指令的形式，而基于人工智能的电视人机语音交互可以通过联机自我学习的形式，进行自然语言分析。同时智能电视也支持基于逻辑的多轮对话。流畅而自然的对话拉近了用户和电视的距离，使得电视不再是一个简单的内容播放工具，而成为一个可以和人类交流的智能化终端。全场景的语音助手使搜索过程不再被局限在一个小小的遥控器中，这种解放无疑是令人振奋的。

与语音助手相同，推荐系统也是基于人工智能的人机交互之一。通过采集到的用户信息提取出用户的偏好，主动向用户推荐其喜欢的内容。推荐系统的核心是推荐算法，它对推荐系统的性能影响非常大。

传统的推荐系统有如下几种形式：

1．基于内容推荐：分析用户看过的内容（历史内容等）再进行推荐。

2．基于用户的协同过滤推荐（UserCF）：给用户推荐和他兴趣相似的其他用户喜欢的物品。

3．基于物品的协同过滤推荐（ItemCF）：给用户推荐和他之前喜欢的物品相似的物品。

4．基于标签的推荐：内容有标签，用户也会因为用户行为被打上标签，通过给用户打标签或是用户给产品打标签为其推荐物品。(www.daowen.com)

5．隐语义模型推荐（LFM）：通过隐含特征推荐和用户兴趣匹配的物品。

6．社会化推荐：让好友给自己推荐物品。

根据时间上下文推荐：利用用户访问产品的时间优化推荐算法，或是根据季节性时令性变化进行推荐。（如春节推荐春节相关物品）

7．基于地理位置的推荐（LARS）：根据用户的地理位置进行推荐。

其中比较常见的就是前4种推荐，7、8实际上是在基本的推荐算法上加上了一层根据时间和位置的加权筛选。

各种推荐算法是可以叠加在一起的，根据不同算法的权重调整，给用户最为精准智能的推荐。基于AI的个性化推荐系统和传统推荐系统有区别也有联系，区别最大的地方就是标签体系。

AI推荐系统里的“标签”实际上是系统自动从内容和行为日志等记录里自动提取的，不需要运营人员的参与。例如从电影的元数据（主演导演简介等）里分词提取属性标签，从用户的微博、豆瓣评论里分词提取用户的属性标签，然后依托GPU芯片进行大规模的矩阵运算，把高维度的向量数据逐步降维，最后简化到三维空间，根据三维空间里的聚集情况给出推荐。原理类似于传统推荐系统里的“协同过滤”。简单讲，就是假设一个人喜欢某个电影，那么他的好朋友也有可能喜欢那个电影。

传统电视用“节目排播表”概念来编制频道，用户爱看不看错过了就等下次；普通的智能电视则完全基于点播模式；基于AI的智能电视则是把传统的“人找内容”变成了“内容找人”，AI的推荐使得内容资源被以短片引导的方式送到用户面前，降低了用户的选择难度，节省了用户的时间。