NLP之人机对话系统

人机对话系统

人机对话系统又称口语对话系统（spoken dialogue system）。一个典型的人机对话系统主要包括如下6个技术模块：①语音识别器（speech recognizer）；②语言解析器（language parser）；③问题求解（problem resolving）模块；④语言生成器（language generator）；⑤对话管理（dialogue management）模块；⑥语音合成器（speech synthesizer）。

语音识别模块实现用户输入语音到文字的识别转换，识别结果一般以得分最高的前n（n≥1）个句子或词格（word lattice）形式输出。语言解析模块对语音识别结果进行分析，获得给定输入的内部表示。语言生成模块根据解析模块得到的内部表示，在对话管理机制的作用下生成自然语言句子。语音合成模块将生成模块生成的句子转换成语音输出。问题求解模块依据语言解析器的分析结果进行问题的推理或查询，求解用户问题的答案。对话管理模块是系统的核心，一个理想的对话管理器应该能够基于对话历史调度人机交互机制，辅助语言解析器对语音识别结果进行正确的理解，为问题求解提供帮助，并指导语言的生成过程。可以说，对话管理机制是人机对话系统的中心枢纽。

1.口语解析器

对于一个基于中间表示的口语翻译系统和人机对话系统来说，口语解析器的作用可以简要地用图16-1表示。语音识别模块首先将用户语音转换成文字串，口语解析模块对其分析、理解，并将其转换成中间表示格式。在口语翻译系统中，语言生成器基于中间表示生成目标语言句子，而在人机对话系统中，语言生成器在对话管理模块的指导和控制下生成系统响应的句子。口语翻译系统中的语音合成器生成目标语言的语音，而对话系统中的语音合成器生成用户语言的语音。

接下来介绍两种面向中间表示格式的汉语口语解析方法，一种是规则方法和HMM统计方法相结合的解析方法；另一种是基于语义分类树的解析方法。（中间表示采用C-STAR定义的IF格式）

1.1中间表示格式

IF格式的理论基础是对话行为（dialogue acts, DAs）理论，其基本观点认为，语言不只用来陈述事实，而且还附载着说话者的意图。

一个IF表达式通常由说话者（speaker）、话语行为（speech act）、概念序列（concept）和参数－属性值对的列表4个部分组成：
Speaker：Speech-Act［＋Concept］*［（Argument＝Value［，Argument＝Value］*）］
其中，概念序列与话语行为合称为领域行为（domain action）。
星号“*”表示它所限定的左边成分可以重复出现多次。 

（1）说话人标志（Speaker）：表示说话人的身份。在IF中只有两种说话人身份，一种是顾客（client），用“c”表示，另一种是代理（agent），用“a”表示。
（2）语句意图或称话语行为或言语行为（Speech-Act）：表示“询问信息、动作请求、返回信息”等各种话语