可教的人工智能聊天机器人
Teachable AI Chatbot
我刚开始使用 AI 聊天机器人，但不知道从哪里开始。
我想象的是这样的：
- 什么都不知道的空聊天机器人
- 在用户提问时学习，如果机器人不知道答案，它会询问
- 记录所有学习到的数据并解析同义题
示例程序：
网友：撕开的芒果是什么颜色的？
机器人：我不知道[要输入答案添加!@: 在开头]
用户：!@:黄色
网友：你知道撕开芒果的颜色吗？
机器人：黄色
聊天机器人，或 conversational dialogue systems in general, will have to be able to generate natural language and as you might expect, this is not something trivial. The state-of-the-art approaches usually mine conversations of human-human conversations (such as for example conversations on chat platforms like Facebook or Twitter, or even movie dialogs, basically things which are available in large quantities and resemble natural conversation). These conversations are then for example labelled as question-answer pairs, possibly using pretrained word embeddings。
这是NLP领域的一个活跃研究领域。所用系统的一个示例类别是 "End-to-End Sequence-to-Sequence models" (seq2seq). However, basic seq2seq models have a tendency to produce repetitive and therefore dull responses. More recent papers try to address this using reinforcement learning, as well as techniques like adversarial networks，以便学习选择响应。改进系统的另一种技术是通过允许模型看到 ( more) prior turns，例如通过使用分层模型。
如果您真的不知道从哪里开始，我想您会在 Daniel Jurafsky 和 James H. Martin 的 this 免费章节 "Speech and Language Processing." 中找到您需要的所有基础知识（ 2017 年 8 月）。祝你好运！
我刚开始使用 AI 聊天机器人，但不知道从哪里开始。 我想象的是这样的：
- 什么都不知道的空聊天机器人
- 在用户提问时学习，如果机器人不知道答案，它会询问
- 记录所有学习到的数据并解析同义题
示例程序：
网友：撕开的芒果是什么颜色的？
机器人：我不知道[要输入答案添加!@: 在开头]
用户：!@:黄色
网友：你知道撕开芒果的颜色吗？
机器人：黄色
聊天机器人，或 conversational dialogue systems in general, will have to be able to generate natural language and as you might expect, this is not something trivial. The state-of-the-art approaches usually mine conversations of human-human conversations (such as for example conversations on chat platforms like Facebook or Twitter, or even movie dialogs, basically things which are available in large quantities and resemble natural conversation). These conversations are then for example labelled as question-answer pairs, possibly using pretrained word embeddings。
这是NLP领域的一个活跃研究领域。所用系统的一个示例类别是 "End-to-End Sequence-to-Sequence models" (seq2seq). However, basic seq2seq models have a tendency to produce repetitive and therefore dull responses. More recent papers try to address this using reinforcement learning, as well as techniques like adversarial networks，以便学习选择响应。改进系统的另一种技术是通过允许模型看到 ( more) prior turns，例如通过使用分层模型。
如果您真的不知道从哪里开始，我想您会在 Daniel Jurafsky 和 James H. Martin 的 this 免费章节 "Speech and Language Processing." 中找到您需要的所有基础知识（ 2017 年 8 月）。祝你好运！