以下是節選內容

按照技術實現，我們可將任務驅動的對話系統劃分為如下兩類：

模塊化的對話系統

分模塊串行處理對話任務，每一個模塊負責特定的任務，并將結果傳遞給下一個模塊，通常由NLU（Natural Language Understanding，自然語言理解）、DST（Dialogue State Tracking，對話狀態追蹤）、DPL（Dialogue Policy Learning，對話策略學習）、NLG（Natural Language Generation，自然語言生成）4個部分構成。在具體的實現上，可以針對任一模塊采用基于規則的人工設計方式，或者基于數據驅動的模型方式。

端到端的對話系統

考慮采用由輸入直接到輸出的端到端對話系統，忽略中間過程，采用數據驅動的模型實現。

目前，主流的任務對話系統實現為模塊化方式，由于現有訓練數據規模的限制，端到端的方式仍處于探索階段。本文主要介紹模塊化的面向任務的對話系統，圖1介紹了其主要模塊。

（1）NLU：將用戶輸入的自然語言語句映射為機器可讀的結構化語義表述，這種結構化語義一般由兩部分構成，分別是用戶意圖（user intention）和槽值（slot-value）。

圖1面向任務的對話系統的主要模塊

（2）DST：這一模塊的目標是追蹤用戶需求并判斷當前的對話狀態。該模塊以多輪對話歷史、當前的用戶動作為輸入，通過總結和推理理解在上下文的環境下用戶當前輸入自然語言的具體含義。對于對話系統來說，這一模塊有著重大意義，很多時候需要綜合考慮用戶的多輪輸入才能讓對話系統理解用戶的真正需求。

（3）DPL：也被稱為對話策略優化（optimization），根據當前的對話狀態，對話策略決定下一步執行什么系統動作。系統行動與用戶意圖類似，也由意圖和槽位構成。

（4）NLG：負責把對話策略模塊選擇的系統動作轉化為自然語言，最終反饋給用戶。

在與用戶直接關聯的兩個模塊中，ASR指的是自動語音識別，TTS指的是語音合成。如第2章介紹的，ASR和TTS并不是系統必備的模塊，也不是本書介紹的重點，因此在面向任務的對話系統中不對這兩部分技術做詳細介紹。

1.NLU模塊

本文主要結合NLU在面向任務的對話系統中的具體應用進行介紹。

對面向任務的對話系統來說，NLU模塊的主要任務是將用戶輸入的自然語言映射為用戶的意圖和相應的槽位值。因此，在面向任務的對話系統中，NLU模塊的輸入是用戶對話語句，輸出是解析后得到的用戶動作。該模塊涉及的主要技術是意圖識別和槽位填充，這兩種技術分別對應用戶動作的兩項結構化參數，即意圖和槽位。

下面主要討論如何針對面向任務的對話系統設計NLU模塊，包括針對特定任務定義意圖和相應的槽位，以及后續從用戶的輸入中獲取任務目標的意圖識別方法和對應的槽位填充方法。

（1）意圖和槽位的定義

意圖和槽位共同構成了“用戶動作”，機器是無法直接理解自然語言的，因此用戶動作的作用便是將自然語言映射為機器能夠理解的結構化語義表示。

意圖識別，也被稱為SUC（Spoken Utterance Classification），顧名思義，是將用戶輸入的自然語言會話進行劃分，類別（classification）對應的就是用戶意圖。例如“今天天氣如何”，其意圖為“詢問天氣”。自然地，可以將意圖識別看作一個典型的分類問題。意圖的分類和定義可參考ISO-24617-2標準，其中共有56種詳細的定義。面向任務的對話系統中的意圖識別通常可以視為文本分類任務。同時，意圖的定義與對話系統自身的定位和所具有的知識庫有很大關系，即意圖的定義具有非常強的領域相關性。

槽位，即意圖所帶的參數。一個意圖可能對應若干個槽位，例如詢問公交車路線時，需要給出出發地、目的地、時間等必要參數。以上參數即“詢問公交車路線”這一意圖對應的槽位。語義槽位填充任務的主要目標是在已知特定領域或特定意圖的語義框架（semantic frame）的前提下，從輸入語句中抽取該語義框架中預先定義好的語義槽的值。語義槽位填充任務可以轉化為序列標注任務，即運用經典的IOB標記法，標記某一個詞是某一語義槽的開始（begin）、延續（inside），或是非語義槽（outside）。

要使一個面向任務的對話系統能正常工作，首先要設計意圖和槽位。意圖和槽位能夠讓系統知道該執行哪項特定任務，并且給出執行該任務時需要的參數類型。為了方便與問答系統做異同對比，我們依然以一個具體的“詢問天氣”的需求為例，介紹面向任務的對話系統中對意圖和槽位的設計。

用戶輸入示例：“今天上海天氣怎么樣”

用戶意圖定義：詢問天氣，Ask_Weather

槽位定義

槽位一：時間，Date

槽位二：地點，Location

“詢問天氣”的需求對應的意圖和槽位如圖2所示。

圖2意圖與槽位定義（1）

在上述示例中，針對“詢問天氣”任務定義了兩個必要的槽位，它們分別是“時間”和“地點”。

對于一個單一的任務，上述定義便可解決任務需求。但在真實的業務環境下，一個面向任務的對話系統往往需要能夠同時處理若干個任務，例如氣象臺除了能夠回答“詢問天氣”的問題，也應該能夠回答“詢問溫度”的問題。

對于同一系統處理多種任務的復雜情況，一種優化的策略是定義更上層的領域，如將“詢問天氣”意圖和“詢問溫度”意圖均歸屬于“天氣”領域。在這種情況下，可以簡單地將領域理解為意圖的集合。定義領域并先進行領域識別的優點是可以約束領域知識范圍，減少后續意圖識別和槽位填充的搜索空間。此外，對于每一個領域進行更深入的理解，利用好任務及領域相關的特定知識和特征，往往能夠顯著地提升NLU模塊的效果。據此，對圖2的示例進行改進，加入“天氣”領域。

用戶輸入示例

1.“今天上海天氣怎么樣”

2.“上海現在氣溫多少度”

領域定義：天氣，Weather

用戶意圖定義

1. 詢問天氣，Ask_Weather

2. 詢問溫度，Ask_Temperature

槽位定義

槽位一：時間，Date

槽位二：地點，Location

改進后的“詢問天氣”的需求對應的意圖和槽位如圖3所示。

圖3意圖與槽位定義（2）

（2）意圖識別和槽位填充

做好意圖和槽位的定義后，需要從用戶輸入中提取用戶意圖和相應槽對應的槽值。意圖識別的目標是從用戶輸入的語句中提取用戶意圖，單一任務可以簡單地建模為一個二分類問題，如“詢問天氣”意圖，在意圖識別時可以被建模為“是詢問天氣”或者“不是詢問天氣”二分類問題。當涉及需要對話系統處理多種任務時，系統需要能夠判別各個意圖，在這種情況下，二分類問題就轉化成了多分類問題。

槽位填充的任務是從自然語言中提取信息并填充到事先定義好的槽位中，例如在圖2中已經定義好了意圖和相應的槽位，對于用戶輸入“今天上海天氣怎么樣”系統應當能夠提取出“今天”和“上?！辈⒎謩e將其填充到“時間”和“地點”槽位?；谔卣魈崛〉膫鹘y機器學習模型已經在槽位填充任務上得到了廣泛應用。近年來，隨著深度學習技術在自然語言處理領域的發展，基于深度學習的方法也逐漸被應用于槽位填充任務。相比于傳統的機器學習方法，深度學習模型能夠自動學習輸入數據的隱含特征。例如，將可以利用更多上下文特征的最大熵馬爾可夫模型引入槽位填充的過程中[8]，類似地，也有研究將條件隨機場模型引入槽位填充。

基于RNN的深度學習模型在意圖識別和槽位填充領域也得到了大量的應用，Attention-Based Recurrent Neural Network Models for Joint Intent Detection and Slot Filling中介紹了使用Attention-Based RNN模型進行意圖識別和槽位填充的方法，作者提出將“alignment information”加入Encoder-Decoder模型，以及將“alignment information”和“attention”加入RNN這兩種解決槽位填充和意圖識別問題的模型。需要特別介紹的是，與基于RNN的意圖識別和槽位填充相比，基于LSTM模型的槽位填充可以有效解決RNN模型中存在的梯度消失問題。

另外，在實際工程中往往需要先對句子中的各個組成部分進行標注，所以通常也會應用到序列標注方法。

進行意圖識別和槽位填充的傳統方法是使用串行執行的方式，即先進行意圖識別，再根據意圖識別的結果進行槽位填充任務。這種方式的主要缺陷是：

可能產生錯誤傳遞，導致錯誤放大。

限定領域也就意味著不同領域需要不同的方法和模型進行處理，各個領域之間的模型沒有共享，但在很多情況下，例如訂火車票和飛機票時，時間、地點等槽位都是一致的。

因為串行執行的方式存在上述問題，所以研究人員改為使用Multi-Domain Joint Semantic Frame Parsing Using Bi-Directional RNN-LSTM, INTERSPEECH中設計的聯合學習（joint learning）方式進行意圖識別和槽位填充。

另外，還有一種情況需要特別注意。在一次天氣詢問任務完成后，用戶又問“那明天呢”時，實際上可以認為第二個問句是開始了另一次“詢問天氣”任務，只是其中的“時間”槽位是指定的，而“地點”槽位則需要重復利用（繼承）上一次任務中的值。

對意圖識別模塊和槽位填充模塊的主要評價指標包括：

意圖識別的準確率，即分類的準確率。

槽位填充的F1-score。

2.DST模塊

DST模塊以當前的用戶動作、n-1前輪的對話狀態和相應的系統動作作為輸入，輸出是DST模塊判定得到的當前對話狀態。

對話狀態的表示（DST-State Representation）通常由以下3部分構成。

（1）目前為止的槽位填充情況。

（2）本輪對話過程中的用戶動作。

（3）對話歷史。

其中，槽位的填充情況通常是最重要的狀態表示指標。

我們知道，由于語音識別不準確或是自然語言本身存在歧義性等原因，NLU模塊的識別結果往往與真實情況存在一定的誤差。所以，NLU模塊的輸出往往是帶概率的，即每一個可能的結果有一個相應的置信程度。由此，DST在判斷當前的對話狀態時就有了兩種選擇，這兩種選擇分別對應了兩種不同的處理方式，一種是1-Best方式，另一種則是N-Best方式[11]。

1-Best方式指DST判斷當前對話狀態時只考慮置信程度最高的情況，因此維護對話狀態的表示時，只需要等同于槽位數量的空間，如圖4所示。

圖4 1-Best方式下的對話狀態與槽位的對應

N-Best方式指DST判斷當前對話狀態時會綜合考慮所有槽位的所有置信程度，因此每一個槽位的N-Best結果都需要考慮和維護，并且最終還需要維護一個槽位組合在一起（overall）的整體置信程度，將其作為最終的對話狀態判斷依據，如圖5所示。

圖5N-Best方式下的對話狀態與槽位的對應

實現DST模塊的方法主要有：基于條件隨機場模型的序列跟蹤模型、基于RNN和LSTM的序列跟蹤模型等。

3.DPL模塊

DPL模塊的輸入是DST模塊輸出的當前對話狀態，通過預設的對話策略，選擇系統動作作為輸出。下面結合具體案例介紹基于規則的DPL方法，也就是通過人工設計有限狀態自動機的方法實現DPL。

案例一：詢問天氣

以有限狀態自動機的方法進行規則的設計，有兩種不同的方案：一種以點表示數據，以邊表示操作；另一種以點表示操作，以邊表示數據，這兩種方案各有優點，在具體實現時可以根據實際情況進行選擇。

方案一：以點表示數據（槽位狀態），以邊表示操作（系統動作）（如圖6所示）

在這種情況下，有限狀態自動機中每一個對話狀態S表示槽位的填充情況，例如槽位均為空時，狀態為NULL，表示為(0,0)；僅時間（Time）槽位被填充時，狀態表示為(0,1)。本示例中槽位共有兩個，分別為時間和地點（Location），因此共有4種不同的狀態。

圖6“詢問天氣”有限狀態自動機設計（1）

狀態遷移是由系統動作引起的，例如僅時間槽位被填充時，下一步的系統動作為“詢問地點”（AskLocation），以獲取完整的槽位填充。S0為起始狀態，Z為終結狀態，S1、S2、S3三個狀態的作用是對槽位填充進行確認。如果成功填充，則跳轉到下一個狀態繼續；如果沒有成功，則再一次詢問進行槽位填充（Ask Again）。

這種方式的弊端非常明顯：隨著槽位數量的增加，對話狀態的數量也會急劇增加。具體來說，在上述方案中，對話狀態的總數由槽位的個數決定，如果槽位有k個，那么對話狀態的數量為2k個。嘗試改進這一弊端的研究有很多，如Young S等人提出的隱藏信息狀態模型（Hidden Information State，HIS）和Thomson B等人提出的基于貝葉斯更新的對話狀態管理模型（Bayesian Update of Dialogue State，BUDS）等。

方案二：以點表示操作（系統動作），以邊表示數據（槽位狀態）（如圖7所示）

圖7“詢問天氣”有限狀態自動機設計（2）

在這種情況下，有限狀態自動機中每一個對話狀態S表示一種系統動作，本例中系統動作共有3種，分別是兩種問詢動作：“詢問時間”（Ask Date）和“詢問地點”（Ask Location），以及最后的系統回復“回答天氣”（Answer）動作。有限狀態自動機中狀態的遷移則是由槽位的狀態變化，即“用戶動作”引起的。

對比上述兩種方案可以發現，第二種有限狀態自動機以系統動作為核心，設計方式更簡潔，并且易于工程實現，更適合人工設計的方式。第一種有限狀態自動機以槽位狀態為核心，枚舉所有槽位情況的做法過于復雜，更適合數據驅動的機器學習方式。

系統動作的定義通常有問詢、確認和回答3種。問詢的目的是了解必要槽位缺失的信息；確認是為了解決容錯性問題，填槽之前向用戶再次確認；回答則是最終回復，意味著任務和有限狀態自動機工作的結束。

細心的讀者可能已經發現，采取問詢的方式獲得缺失的槽位信息，在一些情況下是不合適的，以“詢問天氣”任務為例，向用戶問詢槽位缺失的信息會大幅降低用戶對系統的滿意度。在真實的業務環境下，系統往往會直接采取默認值填充槽位的方式，或者結合以往的對話歷史數據，自動填補個性化的結果。例如，用戶以往問的都是上海的天氣，那么“地點”槽位就會被個性化地填充為“上海”。

這就引出了對面向任務的對話系統的質量評估方法：對面向任務的對話系統而言，完成用戶指定任務所需的對話輪數越少越好。在實際應用中，諸如“詢問天氣”這樣的任務，通常都盡可能地在一次對話中完成，而有些任務則必須要進行多輪對話，例如訂餐、購票等任務。

接下來，我們以“訂餐需求”為例，說明多輪對話的必要性，以及對話輪數的取舍問題。

案例二：訂餐

在典型的訂餐領域的對話系統中，根據生活經驗，我們知道需要為系統定義以下幾個槽位。

（1）slot1：用戶住址（Address）。

（2）slot2：用戶手機號碼（Phone）。

（3）slot3：訂餐餐廳名稱（Res_name）。

（4）slot4：食物名稱（Food_item）。

（5）slot5：食物類型（Food_type）。

（6）slot6：價格范圍（Price_range）。

其中前4項為必要槽位，對訂餐任務來說是必須提供的參數，最后兩項為非必要槽位，可有可無，有的話可以提高訂餐任務的精準度。參考案例一的處理過程，首先對此任務設計相應的有限狀態自動機，如圖8所示。

圖8“訂餐”系統有限狀態自動機設計

可以發現，在該任務下的有限狀態自動機設計中，我們只加入了必要槽位的問詢操作，沒有對Food_type和Price_range進行強制的系統問詢。兩個非必要槽位能夠對“Ask Food_item”，即詢問具體的食物名稱起到輔助作用。當用戶沒有明確需求時，系統可以給出具體的食物推薦，這樣的設定可以有效地減少非必要的對話，減少對話輪數。

4.NLG模塊

NLG模塊的輸入是DPL模塊輸出的系統動作，輸出是系統對用戶輸入的回復。

目前，NLG模塊仍廣泛采用傳統的基于規則的方法，表1給出了3個示例規則的定義。根據規則可以將各個系統動作映射成自然語言表達。

為了實現回復的多樣性，各種基于深度神經網絡的模型方法被提出并得到發展。

以上是《自然語言處理實踐：聊天機器人技術原理與應用》節選內容。