任务型对话系统（一）_任务型对话系统框架-优快云博客

任务型对话系统公式建模&&实例说明

#任务型对话的框架图：
在这里插入图片描述
SLU：把自然语言转换成机器可以处理的领域(domain)/意图(intention) 和槽植对(slot-value pairs)，他的输入是代表用户输入Utterance的Xn，输出是Un。

Xn就是用户说的话，一般是几个到几十个词。

Un=（In, Zn), In是intention，Zn是槽植对。

In=f(Xn) , 就是意图分类，一般分类方法都行，也可采用DBN、DCN等方法。

Zn=f(Xn)，Zn = {?1,?2,?3…}，是序列标准问题，传统的CRF、HMM都行，RNN、LSTM、GRU等也可以。

另外为了解决领域数据不足的问题，SLU还有很多迁移学习(Transfer Learning)方面的工作。比如实例迁移、模型适配、参数迁移、领域关系迁移等。

DST：作用是根据领域(domain)/意图(intention) 、曹植对(slot-value pairs)、之前的状态以及之前系统的Action等来追踪当前状态。它的输入是Un、An-1和Sn-1，输出是Sn。

S? = {Gn,Un,Hn}，Gn是用户目标、Un同上、Hn是聊天的历史，Hn= {U0, A0, U1, A1, … , U?−1, A?−1}，S? =f(S?−1,A?−1,U?)。

DST涉及到两方面内容：状态表示、状态追踪。具体方法和论文后续我会一一放出(其实早就整理好了，还在想用什么形式来出更容易理解，有好的建议的欢迎提出来)。

另外为了解决领域数据不足的问题，DST还有很多迁移学习(Transfer Learning)方面的工作。比如基于特征的迁移学习、基于模型的迁移学习等。

DPL( 也叫DPO)基于当前状态(state)决定系统需要采取action。它的输入是Sn，输出是An。

S? = {Gn,Un,Hn}，An是系统的Action，A? ={Dn, {Ai, Vi}}，Dn是对话类型，Ai、Vi是第i轮对话的attribute和其value。DST一般会建模成强化学习或深度强化学习(从不同维度区分的话有非常多的变种，后面一一介绍)。

另外为了解决领域数据不足的问题，DPL还有很多迁移学习(Transfer Learning)方面的工作。比如线性模型迁移学习、高斯过程迁移学习、BCM迁移学习等。

NLG：把系统的Action转换成用Yn表示的自然语言形式的系统response。它的输入是An，输出是Yn。NLG方法非常多，比如基于规则的、基于模板的、基于短语的、基于token的、基于句法树的( 变种也不少，不过大同小异，大多是trick层面的)、基于corpus的、基于神经网络的(变种很多，如RNN、RNN+CNN、RNN+LM、LSTM+SC等)、基于神经网络+句法树的等等，后续会一一介绍。

其中A? ={Dn, {Ai, Vi}}，Yn = {y1,y2,y3…}，yi是第i轮的系统回复(response)。

另外为了解决领域数据不足的问题，NLG还有很多迁移学习(Transfer Learning)方面的工作。比如线在原始领域预训练然后在目标领域(Target domain)做fine-tuning、基于实例的迁移学习、基于参数的迁移学习等。

为了在抽象的建模的基础上加深理解，看个小例子：

?1：I would like a cup of coffee.

?1：What coffee would you like?

?2：What coffee do you serve?

?2：We serve Espresso, Americano, Latte, Mocha, etc.

?3：I would like a cup of Latte.

?3：Hot Latte or Iced Latte?

?4：Hot Latte.

?4：What cup size do you want?

?5： Tall.