对话系统Deep Learning lab-5 餐厅例子解析-配置文件gobot_dstc2.json

运行示例（命令行+python运行）

• 在命令行环境下的应用
  
  
  
• 在pycharm中的运行代码，只有下列几行
  
  首先寻找cheap +south+chinese food ，并获取其phone number+ address + post code
  
  然后寻找French food ，系统自动认为在原来的条件上，结合 cheap + french + north/south/east/west ，都got 0 results。
  
  可能是因为价格的限制，于是调整为 expensive+french + centre/north ，都有相应的results。
  

代码解析

餐厅对话机器人基于Jason d. Williams，Kavosh Asadi，Geoffrey Zweig 提出的混合代码网络(Hybrid Code Networks，HCNs)架构，混合代码网络: 实用且高效的端到端对话控制，带有监督和强化学习-2017 这篇论文，引入了混合编码网络(hcn) ，该混合编码网络将 RNN 与特定领域的知识和系统动作模板相结合。
虚线对应可选模块，黑色方块对应训练模型，平行四边形是依赖于数据集的模块，必须由软件开发人员提供。

Embedder词嵌入模型（fasttext、word2vec、glove等）词句嵌入技术概览
fastText 模型输入一个词的序列（一段文本或者一句话)，输出这个词序列属于不同类别的概率。
序列中的词和词组组成特征向量，特征向量通过线性变换映射到中间层，中间层再映射到标签。
fastText 在预测标签时使用了非线性激活函数，但在中间层不使用非线性激活函数。
fastText 模型架构和 Word2Vec 中的 CBOW 模型很类似。不同之处在于，fastText 预测标签，而 CBOW 模型预测中间词。
word2vec模型就是一个小型的神经网络。目前流行的有以下两种模型：如果是用一个词语作为输入，来预测它周围的上下文，那这个模型叫做『Skip-gram 模型』；如果是拿一个词语的上下文作为输入，来预测这个词语本身，则是 『CBOW 模型』
GloVe的全称叫Global Vectors for Word Representation，称为全局词向量，是与word2vec相似的一种词向量表达。训练词向量的方法的核心思想是首先基于语料库构建词的共现矩阵，然后基于’词-词’共现矩阵和GloVe模型学习词向量。

Bags of words Embedder 词袋模型。
词袋模型是最基础的文本表示模型，就是把每一篇文章看成一袋子单词，并忽略每个词出现的顺序。具体就是将整段文本以词为单位分开，每篇文章可以表示成一个长向量，向量中的每一维代表一个单词，而该维对应的权重代表这个词在文章中的重要程度

go_bot模型注释：
The network handles dialogue policy management. 网络处理对话策略管理
Inputs features of an utterance and p