对话管理
作用
维护更新对话状态和动作选择
协调各个模块，维护对话结构和状态
模块
对话行为识别
开放式
对话状态识别
预定义或动态生成用户对话意图的抽象表示形式
考虑对话上下文，对话的时序性
对话奖励
槽位填充效率
回复流行度
基于强化学习的奖励机制
系统类型
有限状态机
方便易用
状态和动作需要大量人为设计，难以适用复杂场景
基于统计
隐马尔科夫决策过程能自动学到状态转移关系
但也要人工定义状态
封闭式填槽
基于神经网络
自然语言输入，动作输出，自动学到对话状态的隐式表征
需要大量训练数据
基于槽位
贴近特定领域应用
无法处理不确定性的对话状态
挑战
手工编写的对话策略难以概括所有对话场景
基于统计的方法和基于神经网络的方法需要大量的对话数据
需要大量的领域知识、对话知识和世界知识来生成有意义的回复语义表征