精华内容
下载资源
问答
  • 人机对话

    2021-01-04 14:02:03
    在这里插入代码片import urllib.request import json import string while True: ...appid=()&msg=’ keyword = input(“user:”)#user是你给人机取的名字 if keyword == “txit”: # 只能输入文本型 ...
    在这里插入代码片import urllib.request
    import json
    import string
    while True:
    target=r’http://api.qingyunke.com/api.php?key=free&appid=()&msg=’
    keyword = input(“user:”)#user是你给人机取的名字
    if keyword == “txit”: # 只能输入文本型
    print(“不过如此”)
    break
    tmp =target + keyword
    url = urllib.parse.quote(tmp,safe=string.printable)
    page = urllib.request.urlopen(url)
    html = page.read().decode(“utf-8) # utf-8编码格式
    res =json.loads(html)
    print(res[‘content’])
    
    展开全文
  • 人机对话框架

    2019-02-19 22:44:15
    一个开源的人机对话框架,供学习参考;侧重于对话管理;
  • 主要为大家详细介绍了人机交互程序,初步实现python人机对话,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
  • 人机对话概述

    2018-09-18 17:01:22
    人机对话是最具挑战性的人工智能问题之一 (2)衡量人工智能综合能力的重要指标之一
  • 一两年前由于工作需要重点研究过自然语言处理与人机对话系统,本文将会列出的它们的知识点以及自己的思考。 nlp与人机对话 对于普通企业,人机对话目前主要的应用是任务型人机对话系统。不管是nlp亦或是chatbot,...
  • CCF人机对话专题文章

    2018-11-07 01:09:26
    人机对话 特邀编辑:刘 挺 张伟男 任务型与问答型对话系统中的语言理解技术 车万翔 张 宇 聊天机器人的技术及展望 武 威 周 明 人机对话中的情绪感知与表达 黄民烈 朱小燕 对话式交互与个性化推荐 胡云华 ...
  • 人机对话系统具有四大功能 人机对话系统又分下面这三方面:自然语言理解、对话管理、自然语言生成。这里面聊天、知识、任务、推荐,都有各自相应的研究点。具体内容请看PPT。 对话管理(Dialog Management, DM)是...

    人机对话系统具有四大功能
    在这里插入图片描述人机对话系统又分下面这三方面:自然语言理解、对话管理、自然语言生成。这里面聊天、知识、任务、推荐,都有各自相应的研究点。
    在这里插入图片描述


    对话管理(Dialog Management, DM)是对话流程中的核心环节,充当了重要的角色。如图1所示:
    Dialog Management

    图1 对话流程图

    图1 是常见对话流的信息流动图。 首先,用户发出语音指令,1)通过语音识别ASR将语音转换为文本uu; 2) 文本通过语言理解NLU获得用户行为au; 3)通过用户行为生成对应系统行为au; 4)通过action生成对应的回复话术NLG; 5) NLG通过人工合成生成语音。

    Dialog Management

    对话管理(Dialog Management, DM)控制着人机对话的过程,DM 根据对话历史信息,决定此刻对用户的反应。最常见的应用还是任务驱动的多轮对话,用户带着明确的目的如订餐、订票等,用户需求比较复杂,有很多限制条件,可能需要分多轮进行陈述,一方面,用户在对话过程中可以不断修改或完善自己的需求,另一方面,当用户的陈述的需求不够具体或明确的时候,机器也可以通过询问、澄清或确认来帮助用户找到满意的结果。

    对话管理包括如下任务:

    • 对话状态维护(dialog state tracking, DST)
      维护 & 更新对话状态
      t+1 时刻的对话状态 st+1,依赖于之前时刻 t 的状态st,和之前时刻 t 的系统行为at,以及当前时刻 t+1 对应的用户行为at+1。可以写成 st+1st+at+ots_{t+1}\leftarrow s_{t} + a_{t} +o_{t}
    • 生成系统决策(dialog policy)
      根据 DST 中的对话状态(DS),产生系统行为(dialog act),决定下一步做什么
      dialog act 可以表示观测到的用户输入(用户输入 -> DA,就是 NLU 的过程),以及系统的反馈行为(DA -> 系统反馈,就是 NLG 的过程)
      DA 的具体介绍将在 NLU 系列中展开
    • 作为接口与后端/任务模型进行交互
    • 提供语义表达的期望值(expectations for interpretation)
      interpretation: 用户输入的 internal representation,包括 speech recognition 和 parsing/semantic representation 的结果

    本质上,任务驱动的对话管理实际就是一个决策过程,系统在对话过程中不断根据当前状态决定下一步应该采取的最优动作(如:提供结果,询问特定限制条件,澄清或确认需求…)从而最有效的辅助用户完成信息或服务获取的任务
    在这里插入图片描述
    如图,DM 的输入就是用户输入的语义表达(或者说是用户行为,是 NLU 的输出)和当前对话状态,输出就是下一步的系统行为和更新的对话状态。这是一个循环往复不断流转直至完成任务的过程,其中,语义输入就是流转的动力,DM 的限制条件(即通过每个节点需要补充的信息/付出的代价)就是阻力,输入携带的语义信息越多,动力就越强;完成任务需要的信息越多,阻力就越强。

    case 1
    在这里插入图片描述
    实际上,DM 可能有更广泛的职责,比如融合更多的信息(业务+上下文),进行第三方服务的请求和结果处理等等。

    Initiative

    对话引擎根据对话按对话由谁主导可以分为三种类型:

    • 系统主导
      系统询问用户信息,用户回答,最终达到目标
    • 用户主导
      用户主动提出问题或者诉求,系统回答问题或者满足用户的诉求
    • 混合
      用户和系统在不同时刻交替主导对话过程,最终达到目标
      有两种类型,一是用户/系统转移任何时候都可以主导权,这种比较困难,二是根据 prompt type 来实现主导权的移交
      Prompts 又分为 open prompt(如 ‘How may I help you‘ 这种,用户可以回复任何内容 )和 directive prompt(如 ‘Say yes to accept call, or no’ 这种,系统限制了用户的回复选择)。

    Basic concepts

    • Ground and Repair
      对话是对话双方共同的行为,双方必须不断地建立共同基础(common ground, Stalnaker, 1978),也就是双方都认可的事物的集合。共同基础可以通过听话人依靠(ground)或者确认(acknowledge)说话人的话段来实现。确认行为(acknowledgement)由弱到强的 5 种方法(Clark and Schaefer 1989)有:持续关注(continued attention),相关邻接贡献(relevant next contribution),确认(acknowledgement),表明(demonstration),展示(display)。

    听话人可能会提供正向反馈(如确认等行为),也可能提供负向反馈(如拒绝理解/要求重复/要求 rephrase等),甚至是要求反馈(request feedback)。如果听话人也可以对说话人的语段存在疑惑,会发出一个修复请求(request for repair),如

    A: Why is that?
    B: Huh?
    A: Why is that? 
    

    还有的概念如 speech acts,discourse 这类,之前陆陆续续都介绍过一些了。
    人的复杂性(complex)、随机性(random)和非理性化(illogical)的特点导致对话管理在应用场景下面临着各种各样的问题,包括但不仅限于:

    Challenges

    模型描述能力与模型复杂度的权衡

    • 用户对话偏离业务设计的路径
      如系统问用户导航目的地的时候,用户反问了一句某地天气情况
    • 多轮对话的容错性
      如 3 轮对话的场景,用户已经完成 2 轮,第 3 轮由于ASR或者NLU错误,导致前功尽弃,这样用户体验就非常差
    • 多场景的切换和恢复
      绝大多数业务并不是单一场景,场景的切换与恢复即能作为亮点,也能作为容错手段之一
    • 降低交互变更难度,适应业务迅速变化
    • 跨场景信息继承

    Approaches

    1) Structure-based Approaches

    1. Key Pharse Reactive Approaches
      本质上就是关键词匹配,通常是通过捕捉用户最后一句话的关键词/关键短语来进行回应,比较知名的两个应用是 ELIZA 和 AIML。AIML (人工智能标记语言),XML 格式,支持 ELIZA 的规则,并且更加灵活,能支持一定的上下文实现简单的多轮对话(利用 that),支持变量,支持按 topic 组织规则等。
    <category>
    <pattern>DO YOU KNOW WHO * IS</pattern> 
    <template><srai>WHO IS <star/></srai></template> 
    </category>
    
    <category>
    <pattern>MOTHER</pattern>
    <template> Tell me more about your family. </template> 
    </category>
    
    <category>
    <pattern>YES</pattern>
    <that>DO YOU LIKE MOVIES</that> 
    <template>What is your favorite movie?</template> 
    </category>
     
    
    1. Trees and FSM-based Approaches
      Trees and FSM-based approach 通常把对话建模为通过树或者有限状态机(图结构)的路径。 相比于 simple reactive approach,这种方法融合了更多的上下文,能用一组有限的信息交换模板来完成对话的建模。这种方法适用于:
    • 系统主导
    • 需要从用户收集特定信息
    • 用户对每个问题的回答在有限集合中
      这里主要讲 FSM,把对话看做是在有限状态内跳转的过程,每个状态都有对应的动作和回复,如果能从开始节点顺利的流转到终止节点,任务就完成了。
      在这里插入图片描述
      在这里插入图片描述

    FSM 的状态对应系统问用户的问题,弧线对应将采取的行为,依赖于用户回答。

    FSM-based DM 的特点是:

    • 人为定义对话流程
    • 完全由系统主导,系统问,用户答
    • 答非所问的情况直接忽略
    • 建模简单,能清晰明了的把交互匹配到模型
    • 难以扩展,很容易变得复杂
    • 适用于简单任务,对简单信息获取很友好,难以处理复杂的问题
    • 缺少灵活性,表达能力有限,输入受限,对话结构/流转路径受限

    对特定领域要设计 task-specific FSM,简单的任务 FSM 可以比较轻松的搞定,但稍复杂的问题就困难了,毕竟要考虑对话中的各种可能组合,编写和维护都要细节导向,非常耗时。一旦要扩展 FSM,哪怕只是去 handle 一个新的 observation,都要考虑很多问题。实际中,通常会加入其它机制(如变量等)来扩展 FSM 的表达能力。

    2) Principle-based Approaches

    1. Frame-based Approaches
      Frame-based approach 通过允许多条路径更灵活的获得信息的方法扩展了基于 FSM 的方法,它将对话建模成一个填槽的过程,槽就是多轮对话过程中将初步用户意图转化为明确用户指令所需要补全的信息。一个槽与任务处理中所需要获取的一种信息相对应。槽直接没有顺序,缺什么槽就向用户询问对应的信息。
      在这里插入图片描述
      Frame-based DM 包含下面一些要素:

    Frame: 是槽位的集合,定义了需要由用户提供什么信息
    对话状态:记录了哪些槽位已经被填充
    行为选择:下一步该做什么,填充什么槽位,还是进行何种操作
    行为选择可以按槽位填充/槽位加权填充,或者是利用本体选择
    基于框架/模板的系统本质上是一个生成系统,不同类型的输入激发不同的生成规则,每个生成能够灵活的填入相应的模板。常常用于用户可能采取的行为相对有限、只希望用户在这些行为中进行少许转换的场合。

    Frame-based DM 特点:

    • 用户回答可以包含任何一个片段/全部的槽信息
    • 系统来决定下一个行为
    • 支持混合主导型系统
    • 相对灵活的输入,支持多种输入/多种顺序
    • 适用于相对复杂的信息获取
    • 难以应对更复杂的情境
    • 缺少层次
      槽的更多信息可以参考填槽与多轮对话 | AI产品经理需要了解的AI技术概念

    Agenda + Frame(CMU Communicator)

    Agenda + Frame(CMU Communicator) 对 frame model 进行了改进,有了层次结构,能应对更复杂的信息获取,支持话题切换、回退、退出。主要要素如下:

    • product
      树的结构,能够反映为完成这个任务需要的所有信息的顺序
      相比于普通的 Tree and FSM approach,这里产品树(product tree)的创新在于它是动态的,可以在 session 中对树进行一系列操作比如加一个子树或者挪动子树
    • process
      • agenda
        相当于任务的计划(plan)
        类似栈的结构(generalization of stack)
        是话题的有序列表(ordered list of topics)
        是 handler 的有序列表(list of handlers),handler 有优先级
      • handler
        产品树上的每个节点对应一个 handler,一个 handler 封装了一个 information item

    从 product tree 从左到右、深度优先遍历生成 agenda 的顺序。当用户输入时,系统按照 agenda 中的顺序调用每个 handler,每个 handler 尝试解释并回应用户输入。handler 捕获到信息就把信息标记为 consumed,这保证了一个 information item 只能被一个 handler 消费。

    input pass 完成后,如果用户输入不会直接导致特定的 handler 生成问题,那么系统将会进入 output pass,每个 handler 都有机会产生自己的 prompt(例如,departure date handler 可以要求用户出发日期)。

    可以从 handler 返回代码中确定下一步,选择继续 current pass,还是退出 input pass 切换到 output pass,还是退出 current pass 并等待来自用户输入等。handler 也可以通过返回码声明自己为当前焦点(focus),这样这个 handler 就被提升到 agenda 的顶端。为了保留特定主题的上下文,这里使用 sub-tree promotion 的方法,handler 首先被提升到兄弟节点中最左边的节点,父节点同样以此方式提升。
    在这里插入图片描述
    系统还能处理产品树中节点之间的依赖关系。典型的依赖关系在父节点和子节点之间。通常父节点的值取决于其子节点。每个节点都维护一个依赖节点的列表,并且会通知依赖节点值的变化,然后依赖节点可以声明自己是无效的并成为当前对话的候选主题。

    给一个例子,能够回应用户的显式/隐式话题转移(A1-A3, U11),也能够动态添加子树到现有的 agenda(A8-A10)。
    在这里插入图片描述
    具体还是看论文吧
    AN AGENDA-BASED DIALOG MANAGEMENT ARCHITECTURE FOR SPOKEN LANGUAGE SYSTEMS

    Information-State Approaches

    Information State Theories 提出的背景是:

    • 很难去评估各种 DM 系统

    • 理论和实践模型存在很大的 gap
      理论型模型有:logic-based, BDI, plan-based, attention/intention
      实践中模型大多数是 finite-state 或者 frame-based
      即使从理论模型出发,也有很多种实现方法
      因此,Information State Models 作为对话建模的形式化理论,为工程化实现提供了理论指导,也为改进当前对话系统提供了大的方向。Information-state theory 的关键是识别对话中流转信息的 relevant aspects,以及这些成分是怎么被更新的,更新过程又是怎么被控制的。idea 其实比较简单,不过执行很复杂罢了。理论架构如下:
      在这里插入图片描述
      介绍下简单的一些要素:

    • Statics

      • Informational components
        包括上下文、内部驱动因子(internal motivating factors)
        e.g., QUD, common ground, beliefs, intentions, dialogue history, user models, etc.
      • Formal representations
        informational components 的表示
        e.g., lists, records, DRSs,…
    • Dynamics

      • dialog moves
        会触发更新 information state 的行为的集合
        e.g., speech acts
      • update rules
        更新 information state 的规则集合
        e.g., selection rules
      • update strategy
        更新规则的选择策略,选择在给定时刻选用哪一条 update rules
        意义在于可以遵循这一套理论体系来构建/分析/评价/改进对话系统。基于 information-state 的系统有:
        TrindiKit Systems
        –  GoDiS (Larsson et al) – information state: Questions Under Discussion
        –  MIDAS – DRS information state, first-order reasoning (Bos &Gabsdil, 2000)
        –  EDIS – PTT Information State, (Matheson et al 2000)
        –  SRI Autoroute –Conversational Game Theory (Lewin 2000)
        Successor Toolkits
        –  Dipper (Edinburgh)
        –  Midiki (MITRE)
        Other IS approaches
        –  Soar (USC virtual humans)
        –  AT&T MATCH system

    Plan-based Approaches

    一般指大名鼎鼎的 BDI (Belief, Desire, Intention) 模型。起源于三篇经典论文:

    • Cohen and Perrault 1979
    • Perrault and Allen 1980
    • Allen and Perrault 1980
      基本假设是,一个试图发现信息的行为人,能够利用标准的 plan 找到让听话人告诉说话人该信息的 plan。这就是 Cohen and Perrault 1979 提到的 AI Plan model,Perrault and Allen 1980 和 Allen and Perrault 1980 将 BDI 应用于理解,特别是间接言语语效的理解,本质上是对 Searle 1975 的 speech acts 给出了可计算的形式体系。

    官方描述(Allen and Perrault 1980):

    A has a goal to acquire certain information. This causes him to create a plan that involves asking B a question. B will hopefully possess the sought information. A then executes the plan, and thereby asks B the question. B will now receive the question and attempt to infer A’s plan. In the plan there might be goals that A cannot achieve without assistance. B can accept some of these obstacles as his own goals and create a plan to achieve them. B will then execute his plan and thereby respond to A’s question.

    重要的概念都提到了,goals, actions, plan construction, plan inference。理解上有点绕,简单来说就是 agent 会捕捉对 internal state (beliefs) 有益的信息,然后这个 state 与 agent 当前目标(goals/desires)相结合,再然后计划(plan/intention)就会被选择并执行。对于 communicative agents 而言,plan 的行为就是单个的 speech acts。speech acts 可以是复合(composite)或原子(atomic)的,从而允许 agent 按照计划步骤传达复杂或简单的 conceptual utterance。

    这里简单提一下重要的概念。

    • 信念(Belief)
      基于谓词 KNOW,如果 A 相信 P 为真,那么用 B(A, P) 来表示
    • 期望(Desire)
      基于谓词 WANT,如果 S 希望 P 为真(S 想要实现 P),那么用 WANT(S, P) 来表示,P 可以是一些行为的状态或者实现,W(S, ACT(H)) 表示 S 想让 H 来做 ACT

    Belief 和 WANT 的逻辑都是基于公理。最简单的是基于 action schema。每个 action 都有下面的参数集:

    • 前提(precondition)
      为成功实施该行为必须为真的条件
    • 效果(effect)
      成功实施该行为后变为真的条件
    • 体(body)
      为实施该行为必须达到的部分有序的目标集(partially ordered goal states)

    计划推理(Plan Recognition/Inference, PI)
    根据 B 实施的行为,A 试图去推理 B 的计划的过程。

    • PI.AE Action-Effect Rule(行为-效果规则)
    • PI.PA Precondition-Action Rule(前提-行为规则)
    • PI.BA Body-Action Rule(体-行为规则)
    • PI.KB Know-Desire Rule(知道-期望规则)
    • E1.1 Extended Inference Rule(扩展推理规则)

    计划构建(Plan construction)

    找到从当前状态(current state)达到目标状态(goal state)需要的行为序列(sequence of actions)
    Backward chaining,大抵是说,试图找到一个行为,如果这个行为实施了能够实现这个目标,且它的前提在初始状态已经得到满足,那么计划就完成了,但如果未得到满足,那么会把前提当做新的目标,试图满足前提,直到所有前提都得到满足。(find action with goal as effect then use preconditions of action as new goal, until no unsatisfied preconditions)
    backward chaining 在 NLP 笔记 - Meaning Representation Languages 中提到过。
    还有个重要的概念是 speech acts,在 NLP 笔记 - Discourse Analysis 中提到过,之后会细讲。

    更多见 Plan-based models of dialogue

    值得一提的是,基于 logic 和基于 plan 的方法虽然有更强大更完备的功能,但实际场景中并不常用,大概是因为大部分的系统都是相对简单的单个领域,任务小且具体,并不需要复杂的推理。

    Statistical Approaches

    1. RL-Based Approaches
      前面提到的很多方法还是需要人工来定规则的(hand-crafted approaches),然而人很难预测所有可能的场景,这种方法也并不能重用,换个任务就需要从头再来。而一般的基于统计的方法又需要大量的数据。再者,对话系统的评估也需要花费很大的代价。这种情况下,强化学习的优势就凸显出来了。RL-Based DM 能够对系统理解用户输入的不确定性进行建模,让算法来自己学习最好的行为序列。首先利用 simulated user 模拟真实用户产生各种各样的行为(捕捉了真实用户行为的丰富性),然后由系统和 simulated user 进行交互,根据 reward function 奖励好的行为,惩罚坏的行为,优化行为序列。由于 simulated user 只用在少量的人机互动语料中训练,并没有大量数据的需求,不过 user simulation 也是个很难的任务就是了。
      在这里插入图片描述

    参考文献

    展开全文
  • 最终达到人机对话的效果。 【实现功能】 这篇文章将要介绍的主要内容如下:  1、搭建人工智能–人机对话服务端平台  2、实现调用服务端平台进行人机对话交互 【实现思路】  AIML  AIML由Richard Wallace发明。...
  • 人机对话资料

    2018-11-26 09:06:16
    强化学习相关笔记: ... 人机对话资料 多轮对话之对话管理:Dialog Management http://www.sohu.com/a/216827677_500659 填槽与多轮对话 https://coffee.pmcaff.com/article/971...

    强化学习相关笔记:

    https://blog.csdn.net/aliceyangxi1987/article/details/73327378

    人机对话资料

    多轮对话之对话管理:Dialog Management

    http://www.sohu.com/a/216827677_500659

    填槽与多轮对话

    https://coffee.pmcaff.com/article/971158746030208/pmcaff?utm_source=forum&from=related&pmc_param%5Bentry_id%5D=950709304427648

    对话管理方法研究综述:

    作者:王玉 合肥工业大学

    主要与口语对话管理综述这篇类似,新增2种对话管理方法,POMDP模型和贝叶斯网络模型。

    展开全文
  • 阿里达摩院正式开源人机对话模型 ESIM 2018 年 5 月,阿里云栖大会武汉峰会上一段机器人点单的视频火了,阿里巴巴的收银机器人仅用了49 秒就搞定了 30 多杯咖啡的订单: 演示环节中,包含了修改、删除、加单等多轮...

    https://www.infoq.cn/article/Lx4FXdryLWCoqWRv-Idr

     

    阿里达摩院正式开源人机对话模型 ESIM

    2018 年 5 月,阿里云栖大会武汉峰会上一段机器人点单的视频火了,阿里巴巴的收银机器人仅用了49 秒就搞定了 30 多杯咖啡的订单

    演示环节中,包含了修改、删除、加单等多轮对话,在整个交流过程中,顾客不需要说”hi,点单机“之类呆板的唤醒词,可直接下单,更符合人与人的自然对话。

    这项技术的背后支撑,就是来自阿里巴巴达摩院的新一代人机对话模型 ESIM。

    该模型最初由达摩院语音实验室内的 90 后科学家陈谦研发,曾在国际顶级对话系统评测大赛(DSTC7)上获得双料冠军,将人机对话准确率的世界纪录提升至 94.1%。

    注:DSTC 是学术界权威对话系统评测大赛,由微软研究院、卡耐基梅隆大学的科学家在 2013 年发起,今年举办到了第八届。NOESIS 赛道考察 AI 的人机对话能力,要求 AI 根据给定的多轮人机对话历史,从成百到上万个句子中选出正确的回复。

    今天,阿里达摩院宣布,即日起向全世界企业与个人开源 ESIM 模型。

    GitHub 地址:https://github.com/alibaba/esim-response-selection

    技术原理解析

    人机对话系统及其背后的认知智能,是人机交互中最复杂也最重要的技术,曾被比尔盖茨形容为“人工智能皇冠上的明珠”。为让机器快速准确理解人类的表达,ESIM 给 AI 装上一套“雷达”系统,赋予它实时检索对话历史、自动去除干扰信息的能力,使它能够给出人类期待的回复。

    ESIM 模型全称是:Enhanced LSTM for Natural Language Inference,是一种转为自然语言推断而生的加强版 LSTM,其架构图如下图所示(ESIM 是左边一部分):

    image

    ESIM 模型主要由 input encoding,local inference modeling 和 inference composition 三个部分组成,会直接对从用户的流式口语输入到对用户多个意图的最终理解进行建模,不再依赖子任务的模型和它们的级联,这样极大地减少了各个子任务之间的错误积累和传递。

    大致流程是这样:

    输入两句话分别接入 embeding + BiLSTM,使用 BiLSTM 可以学习如何表示一句话中的 word 和它上下文的关系,可以理解成这是在 word embedding 之后,在当前的语境下重新编码,得到新的 embeding 向量。

    image

    之后计算两个句子 word 之间的相似度,得到二维的相似度矩阵,再进行两句话的 local inference。用之前得到的相似度矩阵,结合 a,b 两句话,互相生成彼此相似性加权后的句子,维度保持不变,公式表示为:

    image

    在 local inference 之后,进行 Enhancement of local inference information,分别计算差与乘积,之后再进行聚合操作:

    image

    最后,再一次用 BiLSTM 提炼上下文信息,同时使用 MaxPooling 和 AvgPooling 进行池化操作, 再接入全连接层。

    image

    在架构上,该方案将算法和业务分离,使用业务知识图谱有效地表达业务相关的知识,利用序列到序列的深度学习模型自动学习出用户口语输入到意图结构化表达的映射关系,利用业务知识图谱表达业务逻辑,对于这个自动的映射学习模型进行强化学习以达到弱监督的目的。 这样一方面整个系统只需要少量端到端的数据标注进行训练,大大减少了标注压力; 另一方面由于知识图谱的松耦合度,使得扩展到新的业务变得更为便捷。

    论文地址:https://arxiv.org/pdf/1901.02609.pdf

    据阿里巴巴方面介绍,ESIM 人机对话回复模型,比起业界使用最为广泛的 LSTM 模型,回复准确率更高。采用全新 ESIM 模型的人机对话回复模型,比 LSTM 模型回复准确率提升 25%。

    InfoQ 还了解到,该模型在对话领域的成功可以预计会给很多应用场景带来显著地变化,比如智能客服、任务型对话系统等等,这一技术突破能大幅地提升实际应用中对话系统回复的准确性和用户体验。

    基于 ESIM 模型的多轮对话回复选择技术是语音交互的基础能力之一。在这些基础能力之上,阿里巴巴构建了一系列语音交互应用。

    在传统语音交互产品方面,阿里云智能语音交互研究的技术平台能够精准转换用户的语音为对互联网内容和服务的意图,触达手机、IoT 设备、互联网汽车、电视、智能音箱等各类终端。

    在下一代人机交互产品方面,阿里已经落地语音售票机,部署在上海地铁供市民使用;肯德基也与阿里云联合推出了一款全球领先的 AI 多场景智能点餐机,并已经率先在杭州云栖上岗服务。

    展开全文
  • 一文看懂人机对话

    2019-12-11 15:50:15
    一、人机对话概述 人机对话(Human-Machine Conversation)是指让机器理解和运用自然语言实现人机通信的技术,如图1所示。通过人机对话交互,用户可以查询信息,如示例中的第一轮对话,用户查询天气信息;用户也...
  • 人机对话学习笔记

    2020-01-15 21:25:53
    人机对话技术三种打开方式 最近公司有个新项目在谈,其中有一部分功能是人机对话,原有的团队中没有这方面的技术人员,领导看我最近刚完成一个项目,比较闲,就让我研究下要完成人机对话需要哪些技术,学习这些技术...
  • 触摸屏正在迅速成为人机对话用户界面技术的最佳选择,被应用在零售、工业、汽车、医疗、数字信号显示等不同行业。这一技术日益广泛的应用在一定程度上受至iPhONe异乎寻常的成功的促进。iPhone实现了完全触屏控制,...
  • NLP之人机对话系统

    千次阅读 2018-10-11 22:15:32
    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...
  • 目标驱动型人机对话技术现状与展望
  • 什么是人机对话

    2020-11-29 12:30:12
    mid=2247484329&idx=1&sn=baa2d21e3847f62f971042b0369fc3a9&chksm=f98efe5dcef9774b7f0fc9bb48f9a7e6ace638cbd0a65d2f85feb17d0094b43d145dc1c84891&scene=21#wechat_redirect ...一、人机对话概述
  • Python实现人机对话

    千次阅读 2019-09-16 10:13:34
    朋友们,我是床长!... 【前言】  AI  在人工智能进展的如火如荼的今天,我们如果不尝试去接触新鲜事物,马上就要被世界淘汰啦~ ...最终达到人机对话的效果。 【实现功能】  这篇文章将要介绍...
  • 人机对话系统,或者会话交互,有望成为物联网时代的主要交互方式。而语言的理解与表达和知识是密切联系的,知识图谱作为一种大规模知识的表示形式,在人机对话系统中各模块都有重要的应用。而知性对话,则是基于知识...
  • 锡育英语人机对话口语学习软件,整合了1万多个各类英语情景对话,专注于提高英语口语交际能力,软件拥有英语语音识别功能,轻松实现人机对话。锡育英语人机对话口语学习软件主
  • 分析了煤炭企业采煤作业计划的影响因素和特点,提出了基于人机对话的理论仿真模型,并阐述了模型的前期知识库准备及理论仿真过程,最后预计了模型的应用效果.

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 2,327
精华内容 930
关键字:

人机对话