对话机器人技术简介
自从iPhone 4S开始内置Siri，到现在各种智能音箱，或者扎克伯格说自己做的智能管家， 我认为都算是对话机器人的一类。
以苹果的Siri和亚马逊的Echo为例，它实际上是一套非常复杂的智能系统，而对话机器人是其中一个界面。 有些文献或者商业机构把这部分称为Conversational UI（对话界面），也就是说我们通过对话来与机器沟通。
遗憾的是，本文和本文的后续文章，都不可能说清楚怎么完整的做出一个Siri或者Echo， 它们的背后都是由成百数千名工程师、学者，在无数的各种资源支持下，动用几十个、上百个很多不同的工程技术的叠加组合而成的。
本文会探讨各种简单的对话机器人技术，而这些技术，每个往往只能完成一个及其特定的功能。
岔开话题的话，在科学上，“怎么实现一个机器人”，是一个太宽泛的问题，往往此类问题都会被分解为若干个小问题。 例如：怎么让实现让机器人能回答单个问题？怎么实现让机器人能回答连续的问题？怎么让机器人帮我买咖啡？ 而一个学术领域往往是一个子问题的最新、最优解，而工程上我们往往需要结合不同领域的成果构建一个可用系统。 机器人的作用之一是回答问题（Question Answering)
一个最简单的问答系统
最简单的问答系统就是当我们有足够多的问答数据，例如：
中国的首都是哪？ 北京。
当数据足够多的时候，一个最简单的问答实现，就是去匹配问题的相似度。
例如用户问：中国的首都
qam调制器
假设我们在python中计算编辑距离的话，会发现“中国的首都”这个问题和 我们数据库中已有的问题“中国的首都在哪”很相似（距离只有2，可以粗暴理解为只差两个字）。
>>> from&ics import distance>>> distance.edit_distance('中国的首都', '中国的首都在哪')2
那么我们直接给用户这个问题的答案就好了，就可能有足够高的成功率。 当然这个看上去很简单粗暴的解决方案有很多问题，例如：
1、准确率取决于相似度算法；
2、很难设置相似度算法的阈值；
3、数据库要求比较大；
4、扩展性比较差；
但是实际上在真实世界中，往往必须有一部分上这个算法，因为这个算法同样有优势：
1、不需要训练，假设你的领导要你给线上产品添加一个问答的时候，他并不喜欢：“我的深度学习模型训练5个小时之后，这个答案就上线了”，这样的回答；
pvc再生颗粒2、自定义问题成本低；
3、非常容易解释；
4、对于完全匹配的问题可以绝对准确，如果是其他的概率模型的话，就必然有可能不准确，而简单的模型不会出错；
更好的回答问题，怎么回答“中国的首都？”
简单的来说，可以分为“有数据”的问答系统，和“没数据的问答系统”。
有数据的是指，我们已经有一些已经结构化的数据，或者说知识。 例如我们的问答系统就想回答关于国家与城市的问题， 那么我们可以假设自己已经有了很多关于国家、城市、国家与城市之间关系的知识。
知识图谱建模与查询
拼图板“有数据”的问答系统是指，例如你有一堆可以查询的知识。 一种常见的知识存储方法，就是三元组：
(中国，有首都，北京)
(北京，是某国的首都，中国)
(英国，有首都，伦敦)
(伦敦，是某国的首都，英国)
在上面的前两个三元组中出现了两个实体（entity），分别是北京和中国。 总过出现了两个关系，分别是“由首都”和“是某国的首都”。
从字面意义上来讲，他们可以解决“中国的首都是哪？”和“北京是哪个国家的首都？”这两个问题， 也就是根据一个关系和一个实体，查询另一个实体。 当然也可以解决“北京和中国的关系”这样的问题，也就是根据已知的两个实体，查询他们的关系。
从学术上来讲，这个领域叫做 Knowledge-Based Question Answering 也就是我们有了知识， 需要在上面构建一个问答系统。
题外话，上哪能弄到这些知识呢？ 一般来说很多问题是在其他领域工作中，已经有了类似
数据的积累。 或者是利用别人收集的数据，例如一些开放的中文知识图谱，例如英文世界的freebase。 还有或者就自己尝试制造这样的数据，例如从、从百度百科中获取。 或者……发挥想象力。
车载多媒体在知识图谱建模的领域，有一种称为SPARQL的语言，类似关系数据库查询的SQL语言， 例如我们要查询(中国，有首都，北京) 中的北京，则SPARQL可以写为：
Select ?x where { 中国, 有首都, ?x }
也就是问题转换为，如何把一句自然语言“中国的首都是哪？”，转换为上面的SPARQL语句？
例如现在的一些方向是利用统计机器学习的翻译任务，完成从“自然语言”到“SPARQL”语言的机器翻译任务，就如同中英翻译等自然语言之间的翻译一样，同样也可以做到的。但是根据语料数据、SPARQL复杂度等等问题，也会有其他各种问题。
当然也有不依赖SPARQL作为中间件的查询系统，例如有的文献设计了一套在知识图谱中逐渐搜索（探索）的系统； 以这个问题为例，起始点可以是实体“中国”，中国这个实体可
能有很多关系，例如有首都、有文化、有省份、有xxx，然后搜索下一步最合理的关系“有首都”； 最后探索到答案“北京”，判读任务完成。
更多细节本文不再讨论。
没数据的问答系统
IR-based 问答系统 (IR: Information Retrieval)
此类问答系统不需要提前构建知识，而是根据问题去检索答案（例如从搜索引擎上）。
此类问答系统从某种意义上类似人的搜索方式，例如我们想知道“中国的首都是哪”， 可能会去搜索引擎中搜索这个问题，而答案很可能会出现在搜索结果中， 我们知道这个答案的类型很可能是“某个城市”，所以我们会在搜索引擎给我们的结果中， 寻一个城市名。
而机器也可以完成类似过程，首先根据问题来尝试判断答案类型，这里同样也可以判断结果类型为城市。 然后机器可能需要对问题进行重构，也就是寻一个搜索问句，能到答案的几率最大， 例如这个问题可能被重构为：“中国 首都 城市”。（最后添加了这个词城市，是因为我们假设可以准确判断出答案类型）
秸杆燃气炉
然后机器去自有的非结构化文档（没有知识图谱化的文档，例如各种纯文本文章），从中寻最接近我们重构后问题的段落。
或者去搜索引擎、百科网站等等，搜索答案、或者检索问题相关的段落。
定位到这个段落后，根据答案类型（这里是城市），尝试从这个段落中筛出答案。例如我们去搜索引擎搜索“中国的首都”，很可能第一个答案段落中的第一个出现的城市名就是我们所需要的答案。
中心架怎么让机器人帮我买咖啡（Dialogue System）
这里的对话系统特指 Task-Oriented Dialogue System， 也就是让机器人帮助实现一种特定任务的系统， 有一文献提到的 General Dialogue System 的系统，往往指类似 Chit Chat 的系统。
一般此类对话系统的研究都基于如何让机器人在有限步骤内完成可以完成的任务的系统，并且结果往往定位到一个单一实体。此类系统的一个隐含假设往往是通过电话、文字、语音来进行人机交互，也就是没有什么“点击按钮”，“从多个选项选择”，之类的交互方式。当
然在一些类似对话系统演变的工程实践中，是有类似的实现的。
因为这个关于“必须文字交互”的假设，所以实际上有些问题并不适合基于这种假设的对话系统完成。例如你在一些手机软件中搜索餐厅，结果可能会返回多家餐厅（餐厅本身即实体），他们都有名称、地址、电话等等信息（这些也可以称为餐厅这个实体的属性，当然也可以是与餐厅这个实体有关的其他实体）。而你想要通过语音、朗读的文字来获得这个列表，就显得很愚蠢了，不会有人想听机器人读5分钟搜索结果的20家餐厅然后决策吧？所以此类系统往往最后是推荐单一实体，例如结果排名最高的餐厅，如果你需要更换，可以跟系统说换一下餐厅。
一个典型的对话系统的交互过程是这样的：
用户：你好（User Dialog Act：greeting）
机器：你好，我可以帮助你搜索并预订餐厅（Sys Dialog Act：greeting）
用户：我想要一家在中央公园2.0附近的意大利餐厅（User Dialog Act：inform(地址=中央公园2.0，口味=意大利)）
机器：请问你想要在中央公园2.0附近什么价位的意大利餐厅？（Sys Dialog Act：request(价位)）
用户：普通的就好（User Dialog Act：inform(价位=普通)）
机器：我知道那里有一家柯南家的老意大利料理餐厅（Sys Dialog Act：inform(名称=柯南家的老意大利料理)）
用户：换一个（User Dialog Act：alter()）
机器：我知道那里有一家意大利油泼面餐厅（Sys Dialog Act：inform(名称=意大利油泼面)）
用户：它家的价格怎么样？（User Dialog Act：request(价位)）
机器：意大利油泼面的价位是普通（Sys Dialog Act：inform(价位=普通)）
用户：就这家吧，帮我预订（User Dialog Act：order()）
机器：请问有几个人？（Sys Dialog Act：request(人数)）
用户：单身狗（User Dialog Act：inform(人数=1)）
机器：真的就1个人吗？（Sys Dialog Act：confirm(人数=1)）
用户：是的（User Dialog Act：confirm()）
机器：已经预定成功（Sys Dialog Act：order_success()）
用户：好的，再见（User Dialog Act：bye()）
机器：再见，欢迎下次使用（Sys Dialog Act：bye()）
Dialog Acts 如果是用户发起的（User Dialog Act）， 那么它是一种处理后的用户意图的抽象表达，是一种形式化的意图描述。
The dialog act expresses an important component of the intention of the speaker (or writer) in saying what they said
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议