原文鏈接：https://mp.weixin.qq.com/s/6wSz8wAi0vrHebZ0EJ2sZA
作者：戴音培、虞暉華、蔣溢軒、唐呈光、李永彬、孫健
發布時間：2019-12-26
1950年，圖靈測試。
第一代對話系統：基於規則的對話系統。
1966年，MIT開發的ELIZA系統，基於模版匹配方法的心理醫療聊天機器人。
1970年，基於流程圖的對話系統，采用有限狀態自動機建模對話流中的狀態轉移。內部邏輯透明，易於調試，高度依賴專家的人工干預，靈活性和可拓展性差。
第二代對話系統：基於統計學方法的數據驅動的對話系統。
最具代表性的是劍橋大學Steve Young教授於2005年提出的基於部分可見馬爾可夫決策過程。Partially Observable Markov Decision Process , POMDP（http://mi.eng.cam.ac.uk/~sjy/papers/ygtw13.pdf）該系統在魯棒性上顯著地優於基於規則的對話系統。但是模型難以維護，可拓展性也比較受限。
第三代對話系統：基於深度學習的對話系統。自然語言理解（A network-based end-to-end trainable task-oriented dialogue system），對話狀態，對話策略（Sample-efficient actor-critic reinforcement learning with supervised data for dialogue management）。
Facebook提出的基於記憶網絡的任務對話系統，第三代對話系統效果優於第二代系統，但是需要大量帶標注數據才能進行有效訓練。
常見的對話系統可分為三類：聊天型，任務導向型和問答型。
隨着用戶對產品體驗的要求逐漸提高，實際對話場景更加復雜，對話管理模塊也需要更多的改進和創新。傳統的對話管理模型通常是建立在一個明確的話術體系內（即先查找再問詢最后結束），一般會預定義好系統動作空間、用戶意圖空間和對話本體，但是實際中用戶的行為變化難測，系統的應答能力十分有限，這就會導致傳統對話系統可拓性差的問題（難以處理預定義之外的情況）。
另外，在很多的真實業界場景，存在大量的冷啟動問題，缺少足量的標注對話數據，數據的清洗標注成本代價高昂。而在模型訓練上，基於深度增強學習的對話管理模型一般都需要大量的數據，大部分論文的實驗都表明，訓練好一個對話模型通常需要幾百個完整的對話 session，這樣低下的訓練效率阻礙了實際中對話系統的快速開發和迭代。
對話管理模型痛點一：可拓展性差
DST + Dialogue Policy
- 變化的用戶意圖
- 變化的槽位和槽值
- 變化的系統動作
對話管理模型痛點二：標注數據少
- 機器自動標注
- 對話結構挖掘
- 數據采集策略
對話管理模型痛點三：訓練效率低