美文网首页AI对话式交互
聊天机器人-对话系统技术原理

聊天机器人-对话系统技术原理

作者: 魏鹏飞 | 来源:发表于2019-09-26 09:35 被阅读0次

    对话系统概述

    1. 开放域的对话系统
      主要支持闲聊的对话方式,用户通常不具有明确的目的性。在衡量对话的质量上以用户主观体验为主,在实现上主要为基于海量FAQ的检索方式以及端到端的方式

    2. 面向任务的对话系统
      对话过程通常具有明确的目的性,主要以完成任务为主,实现上分为基于规则基于数据两种方式。衡量面向任务的对话系统的对话质量时,至少需要知道用户所指定的任务是否被系统正确完成了。

    问答系统是单轮对话,面向任务的对话系统是多轮对话。后者需要维护一个用户目标状态的表示,并且依赖于一个决策过程来完成指定的任务,因此问答系统更加关注对话过程,包括目标状态表示状态迁移,保证目标状态沿着能够完成任务的方向前进。

    平时我们所说的SDS(Spoken Dialogue System),默认指的是面向任务的对话系统。

    任务对话系统形式化定义

    为了方便进一步讲述,接下来对面向任务对话系统的任务进行形式化定义,

    符号 解释
    H_x 用户的对话历史语句
    H_y 系统的对话历史语句
    X_n 第n轮的用户对话语句
    Y_n 第n轮的系统对话语句
    u_n 第n轮的用户动作
    s_n 第n轮的对话状态
    a_n 第n轮的系统动作

    给定前n-1轮的对话历史信息,包括用户的对话历史语句
    H_x=\{X_1, X_2, X_3,...,X_{n-1}\}、系统的对话历史语句H_y=\{Y_1, Y_2, Y_3,...,Y_{n-1}\}及第n轮的用户对话语句X_n,求Y_n

    一个典型的对话系统结构

    一些关于对话系统(Dialogue System),尤其是面向任务的对话系统(Task-Oriented Dialogue System)的设计、讲解或者论文中,我们经常会看到类似:自然语言理解(NLU)、对话管理(DM)、对话生成(NLG),这样的Pipeline。


    图1:一个典型的对话系统结构 A Survey on Dialogue Systems: Recent Advances and New Frontiers [Chen et al., 2014]

    一个完整的系统也确实如图所示,是由语言理解、状态跟踪、策略学习、对话生成这些模块组成的。这些模块本质上是为了解决完整的对话系统问题,而拆解出的一个个子模块,这些模块的串联,组成了整个对话系统的Pipeline。

    image.png

    目前主流的任务对话系统实现为模块方式,由于现有训练数据规模的限制,端到端的方式仍处于探索阶段

    程序实现

    这里我们用python的类来实现每个部件的接口,其中每个接口最重要的方法是forward,可以认为是一个一个的pipeline直接传递的东西。

    例如,我们假设我们构建了各个部件的类:

    nlu = NLU()
    dst = DST()
    dpl = DPL()
    nlg = NLG()
    
    # utterence是用户输入的文字
    def chatbot_pipeline(utterence):
          x = nlu.forward(x)
          x = dst.forward(x)
          x = dpl.forward(x)
          x = nlg.forward(x)
          return x # 这里的x已经是系统输出的响应文字了
    

    1. NLU

    输入一句用户的自然语言(utterence),输出对应的Domain, Intent, Slots

    class NaturalLanguageUnderstanding(object):
        def forward(self, utterence:str) -> UserAction:
            user_action = UserAction()
            # 处理逻辑
            return user_action
    

    2. DST

    输入一个历史对话状态和NLU的输出,输出一个新的对话状态【对话状态更新模块】

    class DialogStateTracker(object):
        def forward(self,
                    init_state: DialogState,
                    history: List[DialogState],
                    user_action: UserAction) -> DialogState:
            new_ds = DialogState()
            return new_ds
    

    DST的主要问题是如何更新当前的对话状态

    3. DPL

    输入一个当前对话状态,输出一个系统行为【对话策略模块】

    class DialogPolicyLearning(object):
        def forward(self,
                    history:List[DialogState]) -> SystemAction:
            system_action = SystemAction()
            return system_action
    

    4. NLG

    输入一个系统行为和参数,输出一个自然语句

    class NLG(object):
        def forward(self, system_action:SystemAction) -> SystemResponse:
            system_response = SystemResponse()
            return system_response
    

    相关文章

      网友评论

        本文标题:聊天机器人-对话系统技术原理

        本文链接:https://www.haomeiwen.com/subject/ilnfuctx.html