对话系统

目录

• 对话
  • 生成式对话
  • 检索式对话
  • 任务完成型对话

原文：https://zhuanlan.zhihu.com/p/83825070

对话

• 任务型对话（限定域对话）
• 问答型
  • 基于知识图谱的对话
  • 检索式多轮对话【27,28】
• 闲聊型
  • 基于检索的方法
  • 基于生成的方法【3,4,5】

生成式对话

对话生成问题是一个条件非常非常多的条件生成问题。对话生成控制的paper【23,24,25,26】
难点：评估 & 控制

检索式对话

主要用户解决闲聊型对话或者FAQ问答型对话问题。

“粗排”+“精排”

粗排: 轻量级。BM25，AngQ[6]
精排：比如Multi-view[7]、DAM[8]以及DGU[9]。最新的DGU刷爆了去年的DAM

检索式对话与生成式对话系统可以为每个query找到合适的回复，但是这些模型是在纯文本语料上训练的，无力建模对话过程中的意图或者发出一个结构化的动作

任务完成型对话

每一轮的决策都很重要。

• NLU/SLU：将用户动作从用户的自然语言文本甚至语音信号中解析出来。
  难点：槽位是不可枚举的，槽位有冲突，槽位之间有嵌套等 [13]

当对话系统cover的领域很多时，可能意图会多达成百上千，这时候意图识别模型的决策空间变得过大，且各个意图共享同一个模型，每增加一个新意图就要重训模型，导致其他意图也受影响了。不仅导致意图识别模型难训，而且会导致系统变得难以维护。因此一种更好的办法是在意图识别之前再加一级领域分类（domain classification）。

小样本学习的工作[38,39]

paper 15

如今的意图识别与槽位解析的SOTA方法应该就是百度对话团队的DGU[9]了，基于ERNIE2.0+处理多轮对话的精巧tricks刷爆了绝大多数对话任务，包括前面提到的对话匹配问题和后面将要讲的DST和DP问题。

• DST(对话状态追踪)
  负责记录整个对话全过程积累下来的重要信息。

• DP（对画策略模块）

• NLG