以下内容总结自《自然语言处理实践与聊天机器人原理应用与实践》 本节主要介绍如何自主实现面向任务的对话系统，如算法 4-1 所示，整体流程由 4 个主要的模块构成，即 NLU、DST、DPL 和 NLG，伪代码的各行分别对各个主要模块的输入和输出进行了定义，例如 NLU 模块的输入为参数 sentence，输出为用户动作 userAct。算法4-1面向任务的对话系统整体流程 接下来将对 4 个主要模块分别进行详细描述，需要说明的是，我们仍然以「询问天气」为例演示任务对话系统的实现，并假设用户输入的 sentence 为「今天天气怎么样」。 我们已经知道 NLU 模块由意图识别和槽位填充构成，如算法 4-2 所示，在这里一般采用串行处理的方式，先进行意图识别，再利用意图识别的结果进行槽位填充。意图识别可采用分类算法进行具体的实现，如 SVM。在得到意图之后，槽位填充方法 slotFilling（）首先需要获取意图对应的槽位定义，这里的「询问天气」定义了两个槽位，分别是「时间」和「地点」，然后可以采用序列标注法对槽位填充进行具体的实现，如 CRF。意图识别结果和槽位填充结果共同组成了 NLU 模块的输出 userAct。算法4-2NLU模块算法 DST 模块负责接收本轮的用户动作，并判断当前的对话状态。DST 模块在具体实现时认为对话状态同样是由意图和槽位构成的，读者可根据实际情况丰富对话状态的定义。当意图识别结果不为空时，即正确识别了用户意图时（采用概率的表示时为置信度较高的结果），意味着对话状态进入了一个新的有限状态自动机，即新一轮对话开始，因此对话状态会进行初始化，该示例中我们直接用第一轮对话得到的 userAct 对 dialogState 进行初始化。同时，读者会注意到算法 4-3 中有一个检查默认槽位设定的函数 checkDefaultSlot（），它的作用是对一些槽位进行默认或者个性化的填充。例如，某一用户的位置在上海，就可以将其询问天气的默认地点槽位个性化地设置为上海，这种设置方式符合人们日常的行为规律，也可有效地减少对话轮数，提高用户对该对话系统的使用体验。相反，如果意图识别结果为空，则有以下两种情况。（1）处于多轮对话中，意图和上一轮对话的意图相同。（2）无未完结的多轮对话，意图识别失败，置为 null。这种异常情况交由 getIntent（）函数进行处理，该意图识别函数需要先考虑历史对话情况，再进行上述两种情况的判断。同时，当处于多轮对话状态时，槽位会被不断填充、更新，槽位更新的工作交由 updateDialogState（）函数进行处理，即这个函数负责将本轮获取的槽位更新到整体的历史槽位中。DST模块算法 DPL 模块根据当前的对话状态（dialogState）判断下一步的系统动作（systemAct）。如算法 4-4 所示，当对话的意图为「询问天气」时，我们按照算法 4-4 设计的有限状态自动机进行状态判断，分别执行「AskDate」、「AskLocation」和「AnswerWeather」3 项系统动作。其中，「AnswerWeather」为槽位填满时所执行的系统动作，这部分操作涉及与知识库的连接，并查询指定时间、地点的天气（getWeather（）），我们将查询到的天气结果作为槽位填充到系统动作中。当意图为 null 时，系统抛出异常。此外，会话系统往往需要能够处理多项任务，因此可以设计其他意图对应的有限状态自动机并添加到「其他服务」的伪代码位置处。DPL模块算法 NLG 模块以套用 NLG 模板的方式实现，如算法 4-5 所示，每一个系统动作（systemAct）对应着一个自然语言表达，作为最后的系统回复输出给用户。这里，我们设计了 4 种系统动作对应的 NLG 模板。NLG模块算法 图 4-18 展示了以上任务对话系统实现后的效果，该示例中，时间、地点槽位均为空，因此系统分别进行了问询，读者可对应上述各模块的伪代码理解。图 4-19 展示了地点槽位为空的情况，系统因此只进行了一次问询。图 4-20 则应用了个性化技术，将地点槽位进行了个性化的默认填充，可以看出，这样的交互非常友善。图4-18系统显示1 图4-19系统显示2 图4-20系统展示3