来源：Deep learning for chatbots, Part 1 – Introduction

业界

大玩家：微软，Facebook，Apple Siri，Google，微信，Slack

初创：Operator，x.ai，Chatfuel

开发框架：Howdy’s Botkit, bot developer framework

分类

基于信息检索的模型与生成模型

• 基于信息检索 (容易): 规则明确，回复内容限制在事先确定的范围内；只要准备得好，不会有语法错误
• 基于生成模型 (较难): 把问题“翻译成”回答；需要大量数据来训练；回答可能包含语法错误
• 目前多数可用的系统是第一类

长对话与短对话

• 短对话只需要针对特定问题给出恰当回答
• 而长对话需要多重转折并保持历史记录
• 客服对话一般属于长对话

开放式对话与封闭式对话

• 社交媒体上的讨论一般是开放式对话，对话可以从一个点发散到任何话题
• 客户技术支持或者购物助理一般属于封闭式对话；超出范畴的对话即便出错也可以容忍

挑战

语言场景与物理场景的引入

• 词语嵌入
• 端到端等级生成模型
• 意图导向型专注模型

一致的人格特征

• 对不同问题给出的答案应该对应一致的人格实体
• 比如对“你多大”与“你几岁”的回答应该相同，对“你住哪儿”与“你所在的城市是哪个”的回答不应该有矛盾；反面例子见图 1
• 基于人格的神经对话模型

图 1: 回答不自洽的反面例子。来自基于人格的神经对话模型。

模型的评估

• 常常需要人工评定
• 有时候没有良好定义的目标
• 用于评定机器翻译的 BLEU 评分不适合用来评价聊天机器人
• 常用的自动评价系统与人工判定的结果不一致

意图与多样性

• 没有人喜欢敷衍的回答 (早期 Google 的智能回复倾向于对任何问题都回答“爱你”；由训练数据和训练目标导致)
• 故意通过改变目标函数来促进多样性也不好，因为人类回答问题一般是带有意图的
• 开放式对话系统的生成模型的训练目标不涉及意图，所以缺乏这种能力

实际表现

• 开放系统的生成模型几乎相当于通用人工智能了; 离这个目标还差得远
• 基于生成模型或信息检索的封闭系统
  • 众包生成初始训练数据；仅适用于非常狭窄的领域
  • 为人工服务提供辅助，这是可行的
• 语法错误代价高昂
  • 可能会赶走用户
  • 通过信息检索模型避免语法错误和冒犯性言语
  • 生成模型给出的回答必须由其它技术辅助以免脱线 (微软 Tay 的错误)