问题：
任务分为几类，针对什么场景？
(1)任务导向型（task-oriented)对话系统(如寻找商品，定酒店等任务)
(2)非任务导向型(non-task-oriented)对话系统(也称为聊天机器人)
两类对话有什么流程？
(1)任务导向型（task-oriented)对话系统
理解人类传达的信息 >> 对话状态定位（因为需要多轮对话才能玩完成任务） >> 采取策略 >> 转化为人类表达形式
(2)非任务导向型(non-task-oriented)对话系统(也称为聊天机器人)
方法分类：
(1)生成方法，例如序列到序列模型（seq2seq）（优点：灵活，缺点：回答语法错误，没有意义，不好评价质量）
(2)基于检索的方法（缺：依赖数据质量，优点：回答有意义，响应流畅）
检索式和生成式对话是针对哪一类的？
（1）生成式针对任务导向型最后一个阶段
（2）非任务导向型可利用检索式和生成式
检索和生成式分别的优缺点？
检索VS生成
两类对话下分别有怎么样的做法，做法分别具有的优势和劣势？
任务导向型对话系统
1.管道（Pipeline） 方法（一个接一个子任务）
1）自然语言理解（Natural Language Understanding，NLU）：它将用户输入解析为预定义的语义槽，其中slots和intent，Domain是指定的，且从前往后分三个级别，分别靠近用户目的。
槽填充以及意图理解
2）对话状态跟踪（Dialogue State Tracker，DST）：管理每个回合的输入和对话历史，输出当前对话状态。因为对话是多轮的，需要对每一轮进行处理。（在线购物场景中，如果对话状态是“推荐”，那么触发“推荐”操作，系统将从产品数据库中检索产品。强化学习方法的效果超过了基于规则和监督的方法）
此处运用较多的模型是multi-domain RNN dialog state tracking models和Neural Belief Tracker (NBT)
3）对话策略学习（Dialogue policy learning）：它将选择操作进行映射并生成回复。
2.端到端（End-to-End）方法
缺点：大量的训练数据；由于缺乏对训练数据对话控制的进一步探索，它也可能无法找到一个好的策略。
或许可考虑强化学习做：
端到端强化学习的方法
人家提出的强化学习方法
非任务导向型对话系统
1. 神经生成模型（Neural Generative Models）
1.1 Sequence-to-Sequence Models
给出两个序列X，Y；极大化P(Y|X)的概率，一般会有(1) Encoder和(2) Decoder
1.2 对话上下文（Dialogue Context）
1）加入全部对话信息
2）加入词粒度，句与句之间信息
1.3 回复多样性（Response Diversity）
对话生成面临挑战：常生成无意义回答，如 I don't know, I am OK等
解决方法：1）增加模型复杂度
2）找到更好目标函数（使用 latent variable ，Building End-To-End Dialogue Systems Using Generative Hierarchical Neural Network Models）
1.4 主题和个性化（Topic and Personality）
1.5 外部知识库（Outside Knowledge Base）
模型能够通过参考知识库中的事实来生成对问题的自然和正确答案。
引入外部知识库
1.6评价
1）计算 BLEU 值
2）计算 embedding的距离
3）衡量多样性 distinct-ngram 的数量和 entropy 值的大小。
4）进行图灵测试
2. 基于检索的方法（Retrieval-based Methods）
2.1 单轮回复匹配
利用匹配算法匹配问题与回复
2.2 多轮回复匹配
1）不同于单轮：将当前与之前的话语作为输入
2）难点：上下文的关键信息的抓取；多轮对话之间的关系
3）目前模型缺点：将整个上下文表示为一个向量（推测），容易信息丢失
3. 混合的方法（Hybrid Methods）
将生成和检索方法结合起来能对系统性能起到显著的提升作用，即将回复也输入到网络中
发展展望？
研究方向：
1）快速适应。未来的趋势是对话模型有能力从与人的交互中主动去学习。
2）深度理解。产生的回复仍然缺乏多样性，有时并没有太多的意义（针对于对话生成任务）
3）隐私保护。对话助手可以无意中隐蔽地存储一些较为敏感的信息
网友评论