编辑导读：Apple Siri、天猫精灵等智能对话产物如今越来越多呈此刻公共视野，也得到了人们的喜爱，其对话系统也引起了人们的留意。本文将环绕任务驱动型人机对话系统，对其设计展开六方面的阐明，但愿对你有辅佐。

连年来，跟着NLP技能的进一步成长，越来越多的智能对话产物走进公共的视野。如Apple Siri、亚马逊Echo、Google Home、天猫精灵等，在便捷我们糊口的同时，对话系统也开始逐渐引起人们的留意。

本文笔者将会团结事情实践，对今朝主流的对话系统举办相关先容，包罗对话系统组成、设计道理、应用实践及其重难点问题。

一、对话呆板人范例及应用

对话呆板人今朝从应用场景和成果成果来看，主要可以分为三种范例：问答呆板人、任务呆板人、闲聊呆板人。

问答呆板人：问答呆板人主要依托于强大的常识库，可对用户提出的问题给出特定回覆。对回覆内容的精确性要求高，但仅限于一问一答的单轮对话交互，对上下文信息不作处理惩罚，今朝多用于 *** 规模。

任务呆板人：呆板人通过多轮对话交互满意用户某一特定任务需求。对任务完成度要求高，个中呆板人主要通过对话状态追踪、问槽、澄清等领略用户意图，然后举办回覆或挪用API等形式完成用户任务需求，如订票、订餐等任务。

闲聊呆板人：呆板人与用户互动较量开放，用户没有明晰目标，呆板人回覆也没有尺度谜底。对回覆内容的精确度不做要求，主要以趣味性和本性化的回覆满意用户感情需求。

而对综合范例对话呆板人而言，往往是以上对话范例的组合，可以同时满意用户问答、任务或闲聊等多种需求，如上文提到的天猫精灵，百度小度等智能音箱产物。

下面笔者将着重就任务呆板人焦点对话系统的设计做具体叙述。

二、任务呆板人对话系统实现 ***

任务型对话系统今朝主要有两种实现技能，一种是基于流水线（pipeline）的实现 *** ，另一种是基于端到端（end-to-end）的实现 *** 。

2.1 流水线（pipeline）

上图是基于流水线（pipeline）实现的对话系统的经典布局图，又称法则对话系统。

整个系统有四大焦点模块，别离由NLU、DST、DPL和NLG依次串联组成的一条流水线，各模块可独立设计，模块间协作完成任务型对话。

自然语言领略（NLU）：主要对人机交互进程中发生的对话举办语义领略；

对话状态跟踪器（DST）：打点每一轮对话状态，包罗汗青状态记录及当前状态输出；

对话计策（DPL）：基于当前对话状态执行的下一步系统回应计策；

自然语言生成（NLG）：将对话计策输出的语义转化成自然语言。

2.2 端到端（end-to-end）

端到端（end-to-end）的对话系统，主要是团结深度进修技能。回收数据模子驱动，通过海量数据练习，挖掘出从用户自然语言输入到系统自然语言输出的整体映射干系，而忽略中间进程的一种要领。

就今朝家产界整体应用而言，固然端到端（end-to-end）的要领机动性和可拓展性较高，但其对数据的质量和数量要求也很高，同时还存在不行控性和不行表明性等问题，因此家产界的对话系统今朝大多回收的照旧基于法则的流水线（pipeline）实现 *** 。

下面笔者团结本身事情实践，着重将为各人阐明下基于法则的对话系统是如何设计与运作的。

三、基于法则的对话系统设计

上图为基于法则的对话系统架构，主要由语音识别（ASR）、自然语言领略（NLU）、对话打点（DM）、自然语言生成（NLG）、语言合成（TTS）五大模块组成。各模块间彼此协同，配合完成对话任务。

个中ASR和TTS主要在语音呆板人中有所运用，今朝海内这块的技能已较为熟练，一般可直接回收阿里云、科大讯飞等供给商的处事，下面将重点针对NLU、DM、NLG三个焦点模块做具体理会。

3.1 自然语言领略模块（NLU）

自然语言领略（NLU）模块主要是通过意图识别和槽识别（信息抽取）来领略对话顶用户语句的语义。

意图识别（Intent Prediction）：目标是领略用户所表达的意图，焦点其实是处理惩罚一个分类问题，将用户的话分类到事先预界说好的意图种别中去。今朝主要基于深度进修的要领，利用CNN（卷积神经 *** ）对query举办特征提取和意图分类，雷同的要领同样合用于规模的分类。