人机对话概述

下面是人机对话的基本框架，可以通过语音输入和输出，也可以通过文本直接交互。其中包括三个重要的模块：语言理解、对话管理、语言生成。

人机对话走过了三个阶段：第一，语音助手时代；第二，2014年进入聊天机器人时代；第三就是2016年进入场景化的任务执行。

语音助手时代

2011年，乔布斯临终前在iPhone4S中推出Siri，当时的技术还是很不成熟。2012年，中国的各个厂商纷纷效仿做语音助手。2014年，个别企业纷纷把语音助手团队解散。主要原因：第一，技术尚不成熟，听得见，但听不懂。以至于很多本来严肃的服务变成对语音助手的调戏；第二，语音也并不总是最自然的沟通方式，它需要私密的环境，有时候还需要图像交互界面进行配合。

聊天机器人时代

2014年微软推出小冰，干脆就来聊天和娱乐，放弃语音使用，直接用文字进行沟通。这时候深度学习被充分运用，技术水平有提高，难点在于对语境的建模和机器人自身建模方面。比如你问机器人：“你今年多大了？”，“我5岁了”。但说“你结婚了吗？”，“我结婚10年了”，他自己会发生矛盾。 应用上，用户留存率并不是很高，虽然用户量大，但持续跟机器人聊下去的并不多。

做聊天主要有三方面的作用。第一，建立人和机器之间的信任。第二，聊天过程中，聊天机器人和搜索引擎相比有一个大的优势，搜索引擎只能被动观察用户的输入，但机器可以主动向人发问。比如机器人问人喜欢看电影吗，回复喜欢。机器人再问喜欢哪一类的，回复喜欢看动作片，机器人立刻推荐一个成龙的动作片过去。第三，情绪抚慰功能，机器人的优点是随叫随到、嘴严、可定制。

场景化的任务执行时代

现在处于实用化的努力阶段，通用的做不到，既可以回退为娱乐化也可以回退在特定场景下使用。这一阶段的特点是：将人机对话局限在特定场景，进一步降低用户期望值；利用场景约束，提高语义消歧能力。当你坐在电视机前想点电视节目，能发出指令，并且发出指令的方式是有限的。存在的问题有两个：一是场景切换，需要重新部署。二是工程化色彩严重，不能够一揽子解决问题，研发成本增高。

当今人机对话系统功能：

当今人机对话系统主要有四大功能。一是聊天。聊天的目的是要让人和机器尽可能的多聊下去，去消耗时间。另外知识问答、任务执行、推荐这三个是比较严肃的功能，都是以快速的结束聊天为目标。

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。

人机对话技术进展

现在人机对话技术到底到了一个什么程度，主要从前面说的四方面选出两个最重要的：聊天、任务执行。任务执行不同企业的叫法不一样，我们叫任务。聊天是没有明确目标的，任务是定机票、定餐馆等。聊天搜索空间比较大。

聊天机器人最早出现是在上世纪60年代，有人研究出一个能够和精神病患者聊天的机器人，效果挺惊人，此后不断的发展。腾讯的小Q机器人、还有微软小冰、Tay，这都是聊天机器人的系列产品。提到聊天，首先会想到根据以前的聊天记录，通过搜索，就可以回答一些问题。

单轮对话生成的进展比较技术化。发展趋势是不仅仅通过算法解决问题，而且要确定一个主题，借用外部资源，把话说得更丰满。

多轮对话中，聊天和搜索有很大的区别。搜索也开始启动多轮搜索，但是真正的多轮是在聊天当中体现的，要有多个回合，这里面会产生指代、省略等等。如何在多轮对话里让人感觉这是一个完整的对话很值得研究。这里面出现很多技术，包括深度学习和强化学习的融合。

智能助手有一系列产品，从苹果、微软，到Facebook、亚马逊。现在很多大企业不但自己做智能助手，而且提供对话平台。对话可以称为对话操作系统或者对话人工智能。微软在研发，很多企业在收购，百度既研发又收购，推出面向中小企业的平台。

任务型对话系统的语言理解部分，通常使用语义槽来表示用户的需求，如出发地、到达地、出发时间等信息。因此可以使用序列标注模型来抽取语义槽。CRF （条件随机场）是过去经常使用的序列标注模型，但是受限于马尔科夫假设，它无法很好的处理长距离依赖问题。随着深度学习方法的流行，人们使用循环神经网络，如双向 LSTM 来解决长距离依赖问题，同时还避免了繁琐的特征工程工作。最近，人们将这两种方法进行融合，即双向 LSTM-CRF 模型，进一步提高了槽填充的准确率。

对话管理指的是根据上一步语言理解步骤识别的语义信息，决策系统下一步所需采取的策略，如追问、澄清还是给出结果等。最简单也是最常用的方法是采用基于规则的方法，即根据不同的情况人工制定对话树，这种方法需要耗费大量的人力，而且可移植性也比较差。有指导学习的方法只需人工针对一些具体的样例，标注对应的回复策略数据，然后就可以交给机器学习了。但是这种方法需要针对每条对话进行标注，标注难度很高。近年来，采用强化学习的方法成为研究的主流，该方法无需逐条标注，只需要将整个对话的最终结果作为奖励，系统就可以学习到最优的策略序列。

最后对话生成模块根据采用的不同对话策略，给出不同的系统回复。最简单就是采用基于模板的方法，但是该方法很难在不同的领域之间迁移。后来人们采用基于语言模型的方法，直接从语料库中学习回复的语言。近年来，深度学习中序列到序列的方法为对话生成提供了一种新的思路，不同于机器翻译等任务所采用的序列到序列模型，这里原序列是上一步输出的对话策略，目标序列则是系统的自然语言回复。该方法具有学习简单，生成的语言自然、多样等优点。

关于“笨笨”机器人的介绍

下面介绍一下我们实验室研制的一个系统，叫“笨笨”。我们不敢叫“灵、百灵”，只能承认自己笨，进一步降低用户的期望值。当用户拿着一个手机以为什么都可以问的时候，他一定会失望。我们这个研究中心是哈工大社会计算与信息检索研究中心，这是我们的公众号，有上万人关注。功能包括聊天、知识问答、任务执行、推荐。

生成式对话模型往往存在一个问题——语义相关性差。比如说问机器你今年多大了，回复说不知道。这里面产生问题的原因，从技术上讲是生成话的第一个词会产生概率很高的通用词。比如“我”、“你”。

我们采用了专门的Learning to Start模型去生成，大家可以对比一下。

单轮对话也采用主题规划的方式，进行两阶段的生成。先规划，然后响应内容。

多轮对话是基于DQN进行。这个优化和任务执行的优化正好反过来。聊天的优化是要尽可能让这个聊天能继续下去，让话题轮数更多。

下面是“笨笨”聊天的一些对话（见PPT），比较好玩，大家可以下去自己玩。

下面是知识问答。在各个具体的问题上，都在使用深度学习技术，知识问答方面也不例外。

这是任务执行的系统框架（见PPT）。在任务执行方面，哈工大最近也开发了一个系统，这个系统是一个平台，各位可以在里面添加你的特定领域要解决的一些问题实例，添加若干实例之后，系统会帮你训练出一个特别实用的场景任务执行系统。这个推荐也被嵌入到人机对话中，有些创业公司专门做人机对话领域的推荐。

在“笨笨”跟你聊天的过程中，可能跟你推荐产品，这就是营销机器人。营销机器人会先和你聊天，建立信任之后推荐产品。还有服务于售后的客服机器人。

人机对话评测介绍

最后讲一下人机对话评测，任何一项技术要想进步，特别依赖于它的目标，就是怎么评测这项技术，这项技术到底是前进还是后退了。在人机对话方面的评测比问答系统难。问答系统是单轮的，我问毛泽东出生于哪一年。你答出的是准确答案，就算成功了。但是人机对话里，一轮过后，就会分岔，一旦分岔了就没有办法做标准答案进行评测。现在国内在这方面的处理也是评测驱动。哈工大也在主持若干评测。以前我们也参加过美国的一些评测，现在有一些在参加日本NTCIR的评测。我们的理念是中国人的评测要由中国人引导。

我们主持了首届中文人机对话评测，由张伟男担任主席。我们分两个任务，一是用户意图分类，区分到底是聊天还是任务，如果是任务，到底想完成一个什么样的任务。二是特定域任务型的人机对话评测。比如定机票，问两句话，会出现分岔，很难展开评测。解决办法是人工评测，先给一个问题的描述，让人根据这个描述和不同的机器人进行对话，看看哪个机器人可以在最短的轮数内把这个问题解决掉。

国际上，2017年也在开始组织评测，在自然语言处理最前沿方面，国内学者和国际学者是齐头并进的。在斯坦福主持的英文阅读理解评测中，很多巨头都有参加。排第一位的是微软亚洲研究院，第二位是哈佛大学一个研究实验室。即使在英文上，国内也并不落后。

未来的挑战

最后概括，最主要的技术挑战在两方面。

一是聊天机器人未来有待解决的问题。我估计在座的各位没有谁愿意和一个机器人持续聊超过一周。另外还有情感，对机器人说考试不及格，怎么分析是不是伤心的情绪，还有用户画像，回复质量，多样性，个性化等的研究。机器人怎么主导话题，如何是让机器人具有各种各样的性格，为每一个用户定制多个不同性格的机器人，包括在游戏世界里，让机器人扮演一些角色，能和人对话。还有基于主题的上下文生成、基于用户的情绪反馈。用户一旦骂你或者不跟你聊了，说明你回答问题的不好。

二是任务执行中有待研究的问题。比如任务之间的切换，目前即使通过工程手段把一两个场景做对了，扩展到其他地方还是很难。

什么时候人机对话才能取得真正的突破，主要取决于以下几点：自然语音处理技术的突破、机器对情境理解的进展、机器推理能力的提升、文本生成技术的进步等。

人机对话是自然语言处理发展的一个高峰，它的发展和自然语言处理的发展是密不可分的。我认为自然语言处理有四个阶段。从形式匹配到语义匹配，现在到文本推理，再下一步会到言外之意。一个小女孩对男朋友说“讨厌”，这句话怎么理解，需要一些文化的背景。现在已经有人在研究隐喻这方面的工作。

最后介绍一下我们实验室在布局的工作，研究方向如PPT所示。