UNIT划重点—快速掌握对话系统技术原理

人工智能时代的交互特色用一个词来概括就是“对话”，用人类最自然的交互方式，或者是语音或者是文字，给机器发送指令，与机器进行交互。当然，人机对话系统早在传统计算机时代就已经出现了，只是在人工智能时代，特别是由于各种机器学习技术尤其是深度学习技术的出现，使我们的系统实用性取得了质的飞跃。

对话系统种类繁多，划分方式多种多样。可根据用途分为任务型、问答型、闲聊型对话系统；也可根据场景分为封闭域、开放域对话系统；还可根据使用方法分为检索式、生成式对话系统。UINT平台能够帮助大家方便地构建任务型多轮对话系统。我们重点看任务型多轮对话系统。

任务型人机对话系统

在对话过程中，机器人需执行的操作分为口语理解、对话管理、执行命令、语言生成四个过程。如下图所示对话系统的基本操作流程：

首先，对话系统需理解用户的自然语言请求，根据用户给出的查询输入先后经过口语理解、对话管理，然后决定进行语言生成还是指令执行，最后给出系统答复。其中，核心模块为口语理解和对话管理。

口语理解

口语理解的功能为理解用户请求所包含的语义信息，用于信息查询或指令执行。其任务难点为自然语言的歧义性，表达方法的多样性及叙述风格的口语化。那么该如何攻破口语理解的任务难点呢？

UNIT平台提供两种经典模式解决：基于语义解析的口语理解模式，基于语义匹配的口语理解模式。

基于语义解析的口语理解模式，是将用户请求解析为所包含语义信息的结构化表达。其中，最典型的结构化表达是意图（描述用户的核心诉求）+ 词槽（描述意图的关键信息）的模式。常用方法有基于知识规则的方法，基于机器学习的方法，以及基于融合策略的方法。

基于语义匹配的口语理解模式，不需要解析出具体的语义格式化信息，而是需要寻找与其具有最高语义匹配程度的问答对。

对话管理

对话管理的功能为基于对话状态实施对话策略，从而实现多轮对话逻辑。其任务难点为状态计算的不确定性及不确定环境下的策略选择。相应的，对话管理存在两大核心任务：对话状态跟踪、对话策略选择。如下图为对话管理在整个对话流程中的位置，及状态位置和对话管理之间相互配合的关系。

对话状态跟踪，即根据对话历史计算当前对话状态，管理并更新对话历史。其常用方法为：基于人工规则的方法，基于机器学习的方法。通过建立映射，输入会话历史，然后输出当前对话状态。

对话策略选择，即根据当前对话状态，选择接下来最恰当的操作。其常用方法为：基于人工规则的方法，基于机器学习的方法，以及基于强化学习的方法。同样是通过建模映射的过程，输入当前对话状态，输出系统回复和指令执行。

对话系统如何搭建

简单介绍一下系统搭建的流程，以及每个流程当中开发者需要做什么，以及UINT平台为大家提供了什么。搭建流程如下：

1）首先定义对话系统。就是说这个对话系统包含哪些意图，这个意图的关键信息是什么。

2）富集数据资源。就是收集、标注、扩充数据资源，包括需要哪些词典，标注哪些规则，需要写多少模板，需要标注多少样本。

3）配置对话逻辑。这个过程可以很方便的用UINT进行搭建，只要把这个对话系统按照UINT提供的方式配置到UINT平台中，把富集的数据资源输入到UINT中，点几个按钮就可以进行系统的搭建训练了。

4）训练模型，效果优化。可以在UNIT平台进行对话效果的调优。之后可以不断的重复一个小的循环过程。上线之后，大量的用户进来使用对话机器人，贡献了更多数据的样本，拿到这些样本之后，根据这些样本所产生的错误等等情况进行分析，再一次富集我们的资源对系统进行改进，使得效果不断变好。

在这个搭建的过程中，UNIT平台提供了很多能力，为开发者降低了开发成本。

• 预置技能：分析用户需求，定义对话系统阶段，UNIT平台直接推出多个场景的预置技能，也有富含资源的技能，开发者可以一键获取，不需再进行富集数据和模型训练的工作。
• 系统词槽：UNIT平台预置的词槽，包括人名、地名、时间、地点等22个大类的词槽词典值，开发者可以直接勾选复用，不需富集人名表、地名表和时间等等这些信息。
• 模板配置：UNIT提供了一套科学的对话理解模板的编撰机制，通过这种对话模板，可以快速实现对话的泛化效果。
• 推荐样本：UNIT平台提供了大量的推荐样本，减少开发者样本富集的工作，根据开发者提供的样本，能够推荐出一些相似的、可以复用的样本出来。
• 日志分析：UINT提供了数据回流的机制，数据存储的机制，数据服务加工的机制等，以及日志分析工具，帮助开发者优化对话效果。

系统评估

评估方法分为两大类：

1. 对单个系统的精度给出量化的指标数据，用于单个系统的精度评估

由于口语理解精度直接影响对话管理运行，进而影响对话系统效果，因此可以通过评估口语理解来评估对话系统。其中有三个指标：准确率（Precision），召回率（Recall），F 值（F-measure）

准确率 = 预测结果中正确的数量 / 预测结果中总的数量

召回率 = 预测结果中正确的数量 / 测试集中应该被识别的数量

2.  对两个系统的精度对比给出量化的指标数据，用于系统迭代时给出精度对比。