任务型charbot

任务型chatbot的基本流程

• NLU识别Intent和Entity，不同的intent可以设计不同的slot，讲 Entity填充到slot中

• DST(对话状态跟踪)负责监视对话的状态，同时进行多轮对话来填充完整slot，也起到了上下文对话的影响。DST包含不同的方法包括有限状态机， 也可以使用增强学习和强化学习的方法做DST。

• DPL 在后端定义出很多的规则，利用当前的intent和slot进行相应的操作(比如订机票操作),当当前状态的slot被填充满会出发DPL调用相应的API，为了可靠性，在正式调用在之前会向用户确认。

• NLG部分使用规则定义的模板进行相应的回复

• TTS进行语音合成(使用)

NLU

• 意图识别
  这是一个分类的问题，可以使用规则的任务，也可以使用深度学习的方法。

• 实体识别
  识别出intent之后进行实体的识别，填充slot。（但是RASA可以intent和entity同时进行…），使用biLSTM-CRF进行。也可以使用RASA开源模工具进行NLU的操作。

DST

用一个slot表示当前状态， 根据当前的intent1进行填充。但是可能我们在填充当前slot的过程中还没有填充完毕，就进入下一个intent2，所以我们需要记录存储在内存的当中没有释放的出来的intent1。

DPL

根据当前的状态进行相应的动作

f: 分类， 基于状态，RL

基于状态的转移可以使用FSM工具，它可以根据当前的状态对应的位置输出一个action

比如对于的询问订机票的问题，我们可以这么设计状态转移：
假设slot为【time：[]，locations：[]】
那么我们就有4个状态——S=(0,0)，S = (0,1), S=(1,0), S=(1,1)

回复的时候采用template

action	text template
ask	“请问……”
ask time	“please ……”
ask locationi	“please ……”

但是这样会套路一样，失去个性化，所以又可以对于同一个actio定义多个template ，回复的 时候随机使用一个template。

但是使用这个FSM会遇到这样的问题

• 当一直没有得到想好的回答的时候会一直ask again。所以我们要定义其他的规则，一直问就进入一个Exception阶段进行特殊的处理。

• 对于2个槽就有始终状态，通常我们需要的槽位是很少的。但是当存在多个槽，我们的状态就会指数级增长，这个问题就怎么解决呢↓↓↓

刚才我们是使用节点对应状态，边对应action，现在我们用边对应状态，用节点对应action。 像下面：