利用深度学习，打造智能聊天机器人

 智能聊天机器人如今是一个非常热门的行业和研究方向，各大科技公司如今都进行相关技术研发并推出相关产品。比如苹果Siri、微软Cortana与小冰、Google Now、百度的“度秘”、亚马逊的蓝牙音箱Echo内置的语音助手Alexa、Facebook推出的语音助手M、Siri创始人新推出的Viv……。原因是大家都认为聊天机器人是企业下一个重量级应用场景。打造智能聊天机器人的几种主流技术：

支持向量机（SVM）

   支持向量机可以分析数据，识别模式，用于分类和回归分析。给定一组训练样本，每个标记为属于两类，一个SVM训练算法建立了一个模型，分配新的实例为一类或其他类，使其成为非概率二元线性分类。

（1）支持向量机的关键技术是什么?

   支持向量机性能的优劣主要取决于核函数的选取,所以对于一个实际问题而言,如何根据实际的数据模型选择合适的核函数从而构造SVM算法.

（2） 支持向量机的特点?

    ① 优点：泛化错误率低，计算开销不大，结果易解释。非线性映射是SVM方法的理论基础，SVM利用内积核函数代替向高维空间的非线性映射

    ② 缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题。SVM算法对大规模训练样本难以实施，且用SVM解决多个问题存在困难。

    ③ 适用数据类型：数值型和标称型数据。

（3）支持向量机的主要应用和研究的热点?

   目前支持向量机主要应用在模式识别领域中的文本识别,中文分类,人脸识别等;同时也应用到许多的工程技术和信息过滤等方面。

seq2seq模型

    简单来说就是一个翻译模型，把一个语言序列翻译成另一种语言序列，整个处理过程是通过使用深度神经网络( LSTM (长短记忆网络)，或者RNN (递归神经网络) 将一个序列作为输入影射为另外一个输出序列

（1）seq2seq模型的特点     

    该技术突破了传统的固定大小输入问题框架，开通了将经典深度神经网络模型运用于翻译与职能问答这一类序列型任务的先河，并且被证实在各主流语言之间的相互翻译以及语音助手中人机短问快答的应用中有着非常好的表现。

（2）主要应用领域：

 机器翻译：Encoder-Decoder的最经典应用，事实上这一结构就是在机器翻译领域最先提出的

 文本摘要：输入是一段文本序列，输出是这段文本序列的摘要序列。

 阅读理解：将输入的文章和问题分别编码，再对其进行解码得到问题的答案。

 语音识别：输入是语音信号序列，输出是文字序列。

文章来源:www.xixi.ai(息息人工智能)