开启聊天机器人模式

聊天机器人系统框架图

今天看到了一篇关于聊天机器人的一个不错的资源汇总：
https://www.52ml.net/20510.html

进去看看先大概了解了一下都有哪些主要的概念：

原文：巨头们都很重视的聊天机器人，你不进来看看吗？

    理想的 chatbot 什么样            现在的 bot 什么样                ｜处理任务                      ｜聊天－搞笑                    ［涉及到下面三个主要问题 & 解决方案 ］        1、response generation(selection)－－对话生成是最后一个步骤，是输出的部分                    四种solutions                            solution 1 直接根据context来生成对话                                          ｜seq2seq+attention                            solution 2 一个next utterance selection的问题                                solution 3 rule-based或者说template-based，response的最终形式其实是填充了一个模板而成的                                solution 4 query-based或者说example-based，response是来自于一个叫做知识库的数据库                    2、dialog state tracking(DST)－－是bot的核心，它的作用在于理解或者捕捉user intention或者goal                            会给定一个state的范围，通过context来predict用户属于哪个state                    3、user modeling－－更重要的是用户的history conversations                ［模型训练环节］                                语料                                    一般都是来自社交网站                            模型                                    细分的方向非常的多                                    seq2seq+attention                                user modeling模型                                        将user identity（比如背景信息、用户画像，年龄等信息）考虑到model中，构建出一个个性化的seq2seq模型，为不同的user，以及同一个user对不同的请将中生成不同风格的response                        reinforcement learning模型                                        deepmind公司将增强学习重新带回了舞台上面，结合着深度学习来解决一些更难的问题                        task-oriented seq2seq模型                                        是尝试在bot的个别部件上采用深度学习的技术来做，并且给出了切实可行的方案                        Knowledge Sources based模型                                    针对具体的任务，在seq2seq的基础上增加一个相关的knowledge sources会让效果好很多                                将bot任务定义为next utterance classification，有一点像question answering任务                                            knowledge graph                                rnn encoder                        context sensitive模型                                                history information的建模            思考                                    1、要不要做bot？                                    虽然不容易，但却非常有意义                            2、open domain还是task-oriented？                                    task-oriented更加具体，更加实用                            3、task-oriented bot为什么难，该朝哪个方向来发力？                                    将end-to-end应用在局部，而非整体上，配合上Information Extraction和Knowledge Graph等技术，实现一个高可用的框架体系，这个应该是task-oriented bot的发展方向                            4、response的生成应该与哪些因素有关呢？                                    （1）user query，用户的提问                                （2）user modeling，对用户进行建模                                （3）knowledge，外部知识源

原文：聊天机器人技术的研究进展

    聊天机器人在各种场景下的功能和产品                                系统框架                                    自然语言理解                                    聊天机器人系统中的自然语言理解功能包括用户意图识别、用户情感识别、指代消解、省略恢复、回复确认及拒识判断等技术。                            对话管理                                    对话管理功能中涉及到的关键技术主要有对话行为识别、对话状态识别、对话策略学习及对话奖励等                            自然语言生成                                    在聊天机器人系统上的对话生成主要涉及检索式和生成式两类技术        挑战                                    1）对话上下文建模                                2）对话过程中的知识表示                                3）对话策略学习                                4）聊天机器人智能程度的评价                            展望                                    1）端到端                                2）从特定域到开放域                                3）更加关注“情商”

来源：http://www.shareditor.com/
原文：自己动手做聊天机器人教程

觉得这个教程还是比较系统化的，打算先跟着入门一下。