本文由@ray 出品，轉載請注明出處。
文章鏈接： http://www.cnblogs.com/wolfray/p/7887652.html
上周導師安排了一個任務——讀一下這篇文章
出處：A Survey on Dialogue Systems: Recent Advances and New Frontiers
文章地址： https://arxiv.org/abs/1711.01731v1
作者： Hongshen Chen, Xiaorui Liu, Dawei Yin, Jiliang Tang
筆者之前都是搞圖像處理啊、單片機啊、軟件開發啊這些的，沒有接觸過自然語言處理，對話系統這些。
通過閱讀這篇文章，筆者對對話系統有了初步的了解，並產生了一些想法。
首先放出讀了這篇文章后的思維導圖： 
一、概述
這篇文章主要概述了對話系統，尤其是對話系統在深度學習方面的進展；還討論了可能的研究方向
二、分類
對話系統根據其應用可以分為面向任務型和非面向任務型。
2.1 面向任務型
2.1.1 目的
面向任務型對話系統的目的是幫助用戶完成某些任務，比如說查找產品、預定住宿等。
2.1.2 方法
面向任務型的方法可以分為三種：
①流水線
流水線方法中包含4個模塊：
-
自然語言理解（NLU）：又可分為語義槽、意圖檢測和槽填充三個部分。
-
對話狀態跟隨器（Dialogue State Tracking）：確保對話系統健壯性的核心組成部分。它會在每一次對話中估計用戶的目標。傳統方法是用手工定制規則，新方法引入了信念追蹤的深度學習。
-
對話策略學習（Policy learning）：以從狀態跟隨器獲得的狀態表示作為條件，策略學習將產生下個可用的系統動作。
-
自然語言生成（NLG）：將抽象的對話動作轉化為淺層的自然語言表達
流水線方法的缺點有兩個：
- 分數分配問題，最終用戶的反饋很難回傳到上游模塊
- 處理相互依賴（模塊間）
②深度學習
③端到端（end-end）：一個模塊，可以與結構化的外部數據進行交互
2.1.3 特點
面向任務型的特點是通常需要在外部知識庫上進行查詢。
2.2 非面向任務型
2.2.1 目的
非面向任務型的目的是在與人類交互過程中，提供合理的反應和娛樂；其主要專注於在開放域與人交談。
2.2.2 方法
非面向任務型的方法主要有兩個：
①生成方法：神經生成模型，可在對話過程中產生適當的回復。
序列到序列（seq2seq）模型是神經生成模型的基礎。
目前神經生成模型的熱門研究課題大概有如下幾個：
- 對話上下文
- 回復多樣性
- 主題和個性
- 外部知識庫
- 交互式對話學習
- 評價
②檢索方法：從數據庫中選擇當前對話的回復。這有可以分為單輪回復匹配、多輪回復匹配和混合方法。
三、結論
目前對話系統的發展特點有如下兩個：
-
深度學習變成了對話系統的基礎技術，應用於傳統面向任務的對話系統的不同模塊
-
充分利用大數據，結合端到端的訓練和強化學習。
四、一些思考
-
語義槽（Semantic Slots）是什么？
答：
語義槽類似於元數據，描述數據的數據。
語義槽允許用戶去詳細描述說法的變量值部分。
在下面的說法案例中{到達城市}和{旅行日期}就是語義槽：
我想去{到達城市}
預定一次{出發日期}的行程；
計划一個到{到達城市}的假期； -
引言中提到大多對話系統，仍然使用人工特征或人工編寫的規則來處理狀態和動作空間表示、意圖檢測和槽填充。這里的人工特征和人工編寫的規則是指的什么？
-
微軟小娜和蘋果siri是什么型的系統？
-
真的存在一個評價標准來評價回復的質量嗎？