【资料整理】NAACL2018tutorial深度学习在智能对话系统中应用

口语对话系统（SDS, Spoken Dialogue Systems）因为其有望彻底改变人机交互方式，因此具有巨大的商业潜力。深度学习的出现导致了NLP研究领域的重大发展，本教程的目标是使研究人员了解最近NLP领域中的关键难题所在。

从研究角度来看，口语对话系统的设计提出了许多重大挑战，因为这些系统依赖于：a)解决NLP和决策任务；b)将各个组件拼接成可用的对话系统Pipeline。对话系统研究的长期目标是帮助对话系统在开放域的环境中与人进行任意主题的交流，并帮助人们完成各种任务。此外，这样的系统需要在线自主学习以改善其性能，并使用周围环境信号以及来自隐式和显式的反馈来改进自身系统。虽然这种系统的设计传统是模块化、领域确定且语言特定的，但深度学习的进步已经缓解了许多的设计问题。

本教程的目的是通过提供研究背景，可用性调查以及最新进展的行业分析，以鼓励NLP社群进行对话系统研究。其中包括三个部分：1、语言理解；2、对话管理；3、语言生成。将解释任务型对话系统和聊天机器人之间的差异，以显示两者设计背后的动机。对于每个关键组件，我们将定义研究问题，提供简要的文献总数，并介绍当前最先进的方法，还将讨论补充资源（例如可用数据集和工具包）。最后，将介绍未来的工作，关键问题以及当前的行业实践。

• 第一部分：对话系统介绍

• 两种范例：任务型对话系统与聊天机器人

• 为什么会有任务型对话系统？

• 全流程核心模块概览

• 第二部分：语言理解与对话状态跟踪

• 基于规则的方法与传统方法

• 联合方法：delexicalisation-based

• 联合方法：基于词向量的方法

• 解决ASR误差与语言歧义

• 不同领域与不同语言间的语言理解

• 第三部分：对话管理与强化学习

• 基于规则和监督方法

• 基于强化学习的方法（包括强化学习理论）

• 当前强化学习方法的挑战

• 第四部分：语言生成以及数据收集

• 传统语言生成方法

• 基于RNN的语言生成方法

• 端到端的对话模型

• 为什么收集数据很困难？

• 两种收集数据的范例

• 第五部分：应用、挑战、结论

• 最近任务型对话系统的趋势

• 工具包介绍以及实践

• 挑战：可扩展性、多领域、多语言

资源获取方式：

• 点击 阅读原文 获取资源

• 或在公众号输入关键词“智能对话系统”获取资源

知乎：忆臻