数据流图例子_对话式AI新方法：对话即数据流

本文最初发布于 Microsoft Research 博客，由 InfoQ 中文站翻译并分享。

“说起来容易做起来难。”这句话反映了对话式人工智能的前景。问“我和 Megan 什么时候都有空”只需几秒钟。但手动查看日历花的时间要长很多。事实上，我们借助科技完成的每一件事，都让人感觉是走过了一条通往短期目标的漫长道路。在微软Semantic Machines 公司，我们正在努力填补这一空白——构建对话式人工智能体验，你只要专注于说出你想要的东西，剩下的交由系统就行了。和这样的AI 对话，应该像和朋友说话一样：自然地、符合语境地、协作地。

一个真正强大的对话式AI 需要做的不仅仅是深刻理解语言，它还要具备情境性、灵活性和健壮性，人工智能还必须深刻理解动作——大多数目标都涉及多个步骤和多个信息源。表达目标、动作和对话状态是对话式AI 系统的核心挑战之一。我们在《计算语言学协会会刊》(TACL)上新发表了一篇论文，题为“面向任务的对话即数据流合成”( Task-Oriented Dialogue as Dataflow Synthesis )，描述了一种新的表示和建模框架，它将对话解释为数据流图，使跨多个领域的复杂任务的对话成为可能。我们还发布了一个包含超过 40000 个对话的数据集(标注了数据流图)和公共排行榜，可以帮助人工智能社区在多轮任务导向对话中解决具有挑战性和现实意义的问题。

从我们的新数据集中可以看出用户请求令人难以置信的多样性：

• 目标多样性。用户可能想要“与 Megan 预约会议”。他们也可能想”与 Megan 预约一个周二的会议”，甚或是“与 Megan 预约在劳动节后第一个她有空的早上开一个会”。
• 语言多样性。问题可能会是“明天天气怎么样？”同样的问题也可能会以“明天外面怎么样？”或“远足时我需要带一件夹克吗？”这样的形式出现。
• 语境多样性。“How about three?”这句话的意思完全取决于刚刚说了什么。句子“Megan 两点没空，你有其他建议吗？”是提议更改会议时间。句子“天气预报说中午多云”是对于天气有疑问。句子“Rivoli 有一张两人桌”是要求增加晚餐预订的座位。

传统的“填槽式(slotfilling)”对话系统忽略了这种多样性。它们只支持一组目标，除了当前目标中缺失参数的列表之外，它们没有上下文表示。而在另一个极端，最新的“端到端”神经对话系统原则上可以自由地学会任意上下文相关的响应，但仅仅是灵活地使用词汇是不够的，因为对话还需要灵活地执行动作。部署的系统还需要有可控性和真实性，在非结构化系统中，这非常具有挑战性。

我们提供了第三种方法，使用深度学习来生成和消费强大的“数据流”表示，它超越了填槽式方法&