背景：這篇論文是卡耐基梅隆大學團隊構建的一個名為RubyStar的聊天機器人系統(tǒng)。和亞馬遜的Alexa Prize有關系，就是那個智能音箱，亞馬遜舉辦了個類似比賽的東西，也類似基金的感覺我就不清楚了。當然這不代表這個系統(tǒng)就是alexa背后的機制有絕對關系。
自然語言理解部分（NLU）
這部分按照論文做了三件重要的事，話題檢測（Topic Detection），意圖識別（Intent Analysis），實體鏈接（Entity Linking）
話題檢測
數(shù)據(jù)集使用Reddit評論，把用戶的輸入轉換為詞向量，然后經(jīng)過一個20棵樹的隨機森林，選出用戶輸入所在的話題，例如政治、生活、體育、娛樂、一般話題等等分類。
這個話題的分類也應該會影響后續(xù)選擇如何回答用戶的分類依據(jù)。
意圖識別
意圖識別是從另一個角度來分類用戶輸入，就是判斷用戶可能想要的回答類型，例如：
- 是或否，類型的回答
- 尋求某個具體事實，姚明的身高？
- 尋求建議
- 喜歡的食物
實體鏈接
實體鏈接是從用戶輸入中提取重要實體，并把這個實體連接到某個類似知識圖譜的語義網(wǎng)結構里，論文里是通過TAGME連接到wikipedia
這部分也是為了進行一些模板式回答
例子（和論文里面的不一樣，我隨便說的）
用戶輸入：我喜歡鋼鐵俠，你喜歡什么？
實體：鋼鐵俠
超級英雄的知識圖譜例如包括三元組：<鋼鐵俠, has friend, 蜘蛛俠>
模板：我喜歡<entity>的朋友<has friend>
輸出：我喜歡鋼鐵俠的朋友蜘蛛俠
模板是針對<has friend>這個關系（relation）來做的，所以假設不是鋼鐵俠，而是其他的entity，只要有has friend，也應該能匹配到這個模板，例如：
用戶輸入：我喜歡炸醬面
實體：炸醬面
超級英雄的知識圖譜例如包括三元組：<炸醬面, has friend, 臘八蒜>
模板：我喜歡<entity>的朋友<has friend>
輸出：我喜歡炸醬面的朋友臘八蒜
多種回答模塊
模板式回答
就剛才實體鏈接里那樣，不重復
信息檢索
根據(jù)用戶輸入的實體，和實體鏈接的結果，去推特上搜。然后去掉重復、拼寫錯誤、比較無聊的推特之后，按照某個算法排序并返回推特的一句、一段，或者什么，論文沒說的太細。
神經(jīng)網(wǎng)絡生成
使用sequence to sequence的深度學習模型，生成一個回答。
這種模型的缺點是，經(jīng)常會生成“我不知道”，“謝謝你”，這樣比較沒用的模型（中文也類似，我試過）
基本上也就是在沒啥好回答的時候，隨便編排編排救個場。
選擇結果
就是從上面的那些不同模型，選一個答案出來。
論文對比測試了：邏輯回歸，線性SVM，樸素貝葉斯三種模型，效果差不多
輸入是詞袋模型（bag of words）
最后用一個模型的confidence score作為上面的幾種回答模型的得分
上下文跟蹤（Context Tracking）
使用最近N條聊天記錄，和斯坦福的CoreNLP工具來追蹤上下文代指，例如：
用戶：你知道中國嗎？
bot：我知道
用戶：你知道它的首都嗎？
bot：？？？（這里需要知道，它，指的是中國）
結尾
整篇論文提到了不少數(shù)據(jù)集，方法，和trick，還是蠻有趣的
不過很多的細節(jié)和trick都是針對為了通用域，更擬人化，讓人覺得跟機器瞎聊不太無聊而設計的。筆者覺得通用域聊天機器人沒什么太大意義，所以很多trick對于垂直的聊天機器人沒什么參考意義。
不過整體構建思路應該還是值得參考的。
