AI智能客服系列1-python基于Keras实现翻译系统/聊天机器人Seq2Seq模型+attention（理论篇-图文详解）智能对话系统专辑《一》

对话机器人是最近一个热门话题，许多公司都在开发自己的智能客服系统，笔者将围绕智能对话、智能翻译系统整理出核心技术模型的原理和实战代码详解，撰写【智能聊天机器人技术专辑篇】。
此篇是：【智能客服对话系统专辑：《一、理论篇-核心技术模型原理图文分解》】

下面我们先来看下聊天机器人的神仙组合模型Seq2Seq+attention起源：
Seq2Seq 于 2013年、2014 年被多位学者共同提出，在机器翻译任务中取得了非常显著的效果，随后提出的 attention 模型更是将 Seq2Seq推上了神坛，Seq2Seq+attention 的组合横扫了非常多的任务，只需要给定足够数量的 input-output pairs，通过设计两端的 sequence 模型和 attention 模型，就可以训练出一个不错的模型。除了应用在机器翻译任务中，其他很多的文本生成任务都可以基于 Seq2Seq 模型来做，比如：文本摘要生成、对话生成等。

一、seq2seq模型原理：

seq2seq简单来说就是编码+解码器，把一个语言序列翻译成另一种语言序列，整个处理过程主要使用深度神经网络( LSTM (长短记忆网络)。脑补小时候看抗日大片地道战时，一边是编码发送情报，一边是接收情报用特定的模型进行解码，保证信息不被截胡，不过基本最后都会被我党机智神勇侦破。所以我们最重要的就是理解清楚，这背后的核心原理和模型。