深度学习【8】基于循环神经网络（RNN）的端到端（end-to-end）对话系统

注：本篇博客主要内容来自：A Neural Conversational Model，这篇论文。

http://blog.csdn.net/linmingan/article/details/51077837

        与传统的基于数据库匹配的对话\翻译系统不一样的是。基于RNN的end-to-end方法的对话\翻译系统，不仅不需要拥有庞大的数据库支持。而且该方法的对话\翻译结果有时候往往更具有创造性，不会那么死板。

        本文主要介绍一下基于RNN的对话系统的基本过程，关于RNN的知识这里不做介绍。因为翻译系统与对话系统都是序列到序列，只是翻译系统的输出语音不一样，所以基于RNN的翻译系统原理上与对话系统相差无几。

        基于RNN的对话系统由两个部分构成，分别为编码和解码器。编码器的作用是对一句输入语句进行编码，使得对话系统能够理解这句话的意思。而解码器是利用编码器输出的编码输出对话句子。编码器和解码器由两个RNN模型构成，编码器没有输出层，只有输入和隐藏层。而解码器有输出层。基于RNN的对话系统结构图如下：

        系统结构图解读：图中用户的输入为ABC（A，B，C可以看做三个不同词），对话系统的输出为WXYZ。编码器：左边没有输出的RNN是一个编码器&