任务式对话系统

引言 原理

任务式聊天机器人的模块包括：

1）NLU（understanding）：

2）对话管理（Diaglog mangement）

3）NLG（Generation）

构建聊天机器人的三大模块：

 

一、有哪些知识点

1.1 自然语言理解（NLU）

NLU的主要任务是从文本中提取信息，把自然语言转变成一种固定的结构化数据表达形式，包括：

对话文本的意图

文本中关键的信息，例如命名实体

将这些信息转成标准化的表示方式

供后续聊天机器人模块使用

例如：Do you have any flights from Seattle to Boston on December 24th?

需要做的事情是：

1）Intent classification，可以识别意图类型为<ShowFlight>，然后就构建了如下的意图树

2）命名识别识别，填充slot：例如填充topic、Dcity、ACity、DDate这些信息

首先会定好命名实体的类别，比如：机构、任务、低点、时间、日期、金钱、百分比

主要的方法：基于HMM，CRF，RNN(LSTM)等模型的token标注方法

关于semantic parsing和slot filling

semantic parsing：非结构化的语言转换成结构化的指令；

 

1.2 对话管理

一般是聊天机器人的中心模块，控制整个聊天的过程。负责存储聊天的信息和状态(slot filling)，根据已有的信息(当前聊天记录和外部信息），决定下一步做什么。还负责与一些外部的知识库(knowledge base)做交互。

1）Dialogue Context Modeling：共指消解、聊天context的来源、knowledge base；

2）Dialogue Control：根据Context, 聊天历史，knowledge base获取的信息->决定下一步需要采取怎样的行动，可能是rule based决策，也可能是基于机器学习模型的决策；可以做的决策有：

    从用户处收集更多的信息；

    与用户确认之前的信息；

    向用户输出一些信息；

一些设计要素：由用户还是系统来主导；是否要向用户解释自己的动作；

对话的主导方：用户主导、系统主导

Dialogue Control的一些方法：

      基于Finite state Automata(有限状态机)的聊天状态，

      基于Frame-Based Dialogue Control:预先指定了一张表格 (Frame)，聊天机器人的目标就是把这张表格填满

     基于统计模型的（机器学习）

      AI planning

 

1.3 自然语言生成Natural Language Generation（NLG）

Template based

Retrieval Based

基于深度学习的聊天机器人（偏向实验性质）：用Seq2Seq模型来做生成

Deep Reinforcement Learning for Dialogue Generation：使用深度增强学习来训练聊天机器人

      

二、有什么开源工具、如何实现

Rasa 聊天机器人