任务型聊天机器人和闲聊类机器人的关键技术

今天给大家讲讲聊天机器人中的一些基本概念和关键技术。
所有的机器人都可以大致分为两类：任务型的机器人和闲聊型的机器人。

这两种机器人分别有一些特性。
对于任务型机器人呢，比如订书订餐订票等等，它需要比较精准的理解，另外，比较难以收集数据。
对于闲聊的机器人呢，语料比较好收集，一些电影台词，平时一些社交网络上的对话都可以，不过它的应用更多的是娱乐性质的，而且模型比较难评价。

基于任务型的聊天机器人主要包含四个模块：

• Spoken Language Understanding(SLU) ，将自然语言转化为intent和slot-values,比如“我想吃中餐，有什么推荐的吗”，intent是‘推荐餐厅’, slot-values是‘菜系－中餐’。
• Dialogue State Tracking(DST),跟踪对话状态并且输出当前对话状态。这个模块是任务型对话中最核心的模块。它描述的是其于多个slot-values值的多元状态分布。而且这个值是会随着状态的进行产生变化。比如，有如下的用户行为：“我想吃日菜…额，如果没有的话，法餐也可以…不行的话就中餐吧”，随着对话进行，用户的行为是可能变化的。slot分为informable slot，以及request slot。前者是会变化的，比如用户选餐厅给的约束条件，而后者是固定的，比如某家餐厅的位置。
• Dialogue Policy Learning(DPL)，根据当前对话状态决定机器的行为，输出一个向量。它有三个输入，用户的intention，对话的state，根据state从数据库中查找的info，然后生成一个行为输出。
• Natural Language Generation(NLG)，机器的对话生成模板。

基于检索类的闲聊机器人：

• 当我们有了一个input，我们就去语料库里去找similarity(相似的)问题。这里的feature可以用多种方法来计算，比如tfidf,
  w2v, rnn, cnn, etc.
• 在实现的闲聊场景中，还需要结合语境的闲聊机器人，这就是retrieal-based方法。简单来说，我们每次有一个input的时候，还要考虑之前多句话的信息。

基于生成的闲聊机器人：

• 这里用到的就是seq2seq模型，包含一个encoder和一个decoder。一般encoder和decoder是循环神经网络。
• 缺点是，对于长句处理地不太好；生成的句子语法不一定正确；会经常性地出现一些模板化的句子。一般常见的改进方案是增加attention机制。