中文對話管理

Dialog Management

基於自然語言處理的中文機器閱讀理解及中文文本分類、相似度、命名實體識別、糾錯與摘要等各種演算法及深度學習模型，根據提問從事先儲存的文章中找出對應或相關的回應。

Call for Partner or POC (Proof of Concept) Contact: TonTon ( at ) TWMAN.ORG / InteractionX.Co (at) gmail.com
Interaction Exploration Technologies (Interaction X, 探索互動科技)
看見你的聲音，聽懂你的文字
本文分別由 Gui-Ru Li 跟 Hsiang Hsu 撰寫初稿後再進行編修，且持續更新中

DM對話管理簡介

任務

  • 狀態維護 dialog state tracking, DST

  • 生成系統決策 dialog policy

  • 作為接口和後端/任務模型連接

  • 提供語意表達 expectations for interpretation

  • 種類(由誰主導)：系統主導/用戶主導/混合

基礎概念

  • 通過建立雙方認可的事物(確認行為)的集合來達成協議

  • 確認行為（弱 -> 強）

    • 持續關注（continued attention）

    • 相關連接貢獻（relevant next contribution）

    • 確認（acknowledgement）

    • 表明（demonstration）

    • 展示（display）

  • 回饋: 正向/負向/要求 request feedback/修復 request for repair

DM的方法

  1. Principle-based Approaches

    • Frame-based(我們使用的方式)

      • 將對話建構成填槽過程

      • 要素：

        • Frame:槽位的集合，定義用戶須提供何種訊息

        • 對話狀態:紀錄哪些槽位已经被填充

        • 行為選擇:下一步該做什麼或進行什麼操作(槽位填充/槽位加權填充/利用本體選擇)

      • 優點：

        • 用户回答可以包含任何一個片段/全部的槽信息，由系统決定下一個行為

        • 適用混合型系统

        • 輸入輸出沒有順序，相對靈活

      • 缺點：缺少層次、難以用於更複雜的情境

      • 小結：目前我們使用的方式，相關工具有RASA, Wit...

    • Agenda + Frame(CMU Communicator)

      • 改良frame model使其有層次結構

      • 要素：

        • product:dynamic tree，可在session中對tree進行操作(增加/移動子樹)

        • process

          • agenda: 任務的計畫list，類似stack的結構，當中是有序的handler(有序的話題）

          • handler: 每個節點對應一個handler，封裝一個information item

      • 小結：雖然可行但必須重頭刻起，需花費時間

    • Information-State Approaches

      • 識別對話中傳遞訊息的relevant aspects、這些成分怎麼被更新以及更新过程如何被控制的

      • 要素：

        • Static: informational components, formal representations

        • Dynamics: dialog moves, update rules, update strategy

      • Ex:

        • TrindiKit Systems: GoDiS, MIDAS, EDIS, SRI Autoroute

        • Successor Toolkits: Dipper (Edinburgh), Midiki (MITRE)

        • Other IS approaches: Soar(USC virtual humans), AT&T MATCH system

    • Plan-based Approaches

      • 基於邏輯與推理讓聽者告訴說話人某訊息的方法

      • 功能強大但不適用實際場景(因為實際場景任務小且具體，不需要複雜的推理)

  2. Structure-based Approaches

    • 關鍵字比對(ex: ELIZA, AIML)

    • Tree and FSM-based

      • 將對話建構成樹或有限狀態機

      • 適用於 系統主導/需要從用戶收集特定訊息/回答在有限集合中 狀況

      • 優點：建模简单，能清晰明了的把交互匹配到模型

      • 缺點：編寫和維護耗費時間、難擴展且容易變得複雜、缺少靈活性

  3. Statstical Approaches

    • Reinforcement Learning:只用在少量的人機互動語料中訓練，沒有大量數據的需求

DM設計

  • 先用規則方法建立DM，待上線滿足業務需求且收集數據後再換成模型

  • 設計理念：

    • 完整性:具備建立各種類型對話的能力而不僅是slot filling

    • 獨立性:設計或變更場景時不需要考慮場景跳轉問題

    • Dialog模組化:常用的功能可以模組化重複使用並具備擴充性(允許自定義內部的多種屬性)

      • Global Dialog

        • 被recognizer配對成功時會被觸發

        • 可以提供conversation support(help/cancel等通用功能)

        • 可對應各種話題切換

      • Root Dialog

        • dialog stack中沒有其他dialog了

        • 當前時刻recognizer不能觸發其他dialog

      • dialog stack會存放已被觸發但尚未完成的dialog，當dialog完成後即pop出去