作為一名程序員，我想通過(guò)創(chuàng)建自己的聊天機(jī)器人來(lái)學(xué)習(xí)如何開(kāi)發(fā)聊天機(jī)器人。我重點(diǎn)介紹了開(kāi)發(fā)bot的以下組件：自然語(yǔ)言理解（NLU）組件、對(duì)話(huà)框管理器（DM）、自然語(yǔ)言生成（NLG）組件以及模塊化或端到端方法。

要構(gòu)建一個(gè)成功的聊天機(jī)器人，請(qǐng)考慮用戶(hù)的觀(guān)點(diǎn)。首先，用戶(hù)向bot寫(xiě)入一些內(nèi)容。bot處理消息并生成響應(yīng)。然后，將響應(yīng)發(fā)送回用戶(hù)。

這些步驟無(wú)限期地重復(fù)，直到對(duì)話(huà)者之一決定完成。讓我們對(duì)上面描述的會(huì)話(huà)過(guò)程進(jìn)行更深入的挖掘，并對(duì)其進(jìn)行更詳細(xì)的分析，以了解其實(shí)際的復(fù)雜性。

在本文中，我將向您展示制作聊天機(jī)器人所涉及的元素，以及每個(gè)步驟涉及的細(xì)節(jié)。聊天機(jī)器人在很多場(chǎng)合和商業(yè)中都有使用，知道如何實(shí)現(xiàn)一個(gè)聊天機(jī)器人對(duì)你的開(kāi)發(fā)生涯非常重要。

構(gòu)建聊天機(jī)器人所涉及的元素

當(dāng)用戶(hù)寫(xiě)東西時(shí)，bot需要處理它。由于機(jī)器人不懂人類(lèi)的語(yǔ)言，我們需要一種方法將我們的自然語(yǔ)言和非結(jié)構(gòu)化語(yǔ)言翻譯成任何可以被機(jī)器處理和理解的結(jié)構(gòu)化數(shù)據(jù)。

這一步被稱(chēng)為自然語(yǔ)言理解（NLU）。從用戶(hù)消息到結(jié)構(gòu)化數(shù)據(jù)的轉(zhuǎn)換稱(chēng)為“語(yǔ)義框架”。

一旦處理了用戶(hù)消息并生成了語(yǔ)義框架，bot就可以分析這些結(jié)構(gòu)化數(shù)據(jù)，以尋找下一步要采取的最佳操作，包括生成響應(yīng)。

在此步驟中，bot可能需要記住會(huì)話(huà)中的數(shù)據(jù)，因此它不會(huì)一次又一次地問(wèn)相同的問(wèn)題。這個(gè)過(guò)程由一個(gè)名為對(duì)話(huà)框管理器（dialogmanager，DM）的組件執(zhí)行，它跟蹤會(huì)話(huà)狀態(tài)并選擇與特定策略有關(guān)的操作。

最后，bot選擇的動(dòng)作包括對(duì)用戶(hù)的響應(yīng)或要生成的該響應(yīng)的數(shù)據(jù)。這些數(shù)據(jù)被傳遞到一個(gè)組件，該組件處理并將其轉(zhuǎn)換為顯示給用戶(hù)的人類(lèi)語(yǔ)言響應(yīng)。這個(gè)過(guò)程被稱(chēng)為自然語(yǔ)言生成（NLG）。

這些是構(gòu)建bot過(guò)程中涉及的元素。讓我們逐一談?wù)撍鼈儭?/span>

NLU組件

如前所述，NLU組件從用自然語(yǔ)言編寫(xiě)的消息中生成語(yǔ)義框架。這個(gè)框架通常由一個(gè)意圖（用發(fā)送的消息表示用戶(hù)的意圖）和一組表示用戶(hù)在消息中給出的數(shù)據(jù)的實(shí)體組成。

例如，“我想訂一個(gè)從馬德里到哥本哈根的航班”可以翻譯成下圖中的結(jié)構(gòu)：

為了完成這種翻譯，可以使用經(jīng)典的自然語(yǔ)言處理（NLP）方法或更高級(jí)的深度學(xué)習(xí)（DL）方法。

通常，當(dāng)數(shù)據(jù)很少或沒(méi)有數(shù)據(jù)時(shí)使用經(jīng)典方法，因?yàn)镈L方法需要大量數(shù)據(jù)才能很好地執(zhí)行。然而，在這種情況下，隨著預(yù)訓(xùn)練模型的出現(xiàn)，人們可以選擇DL方法并使用定制數(shù)據(jù)對(duì)模型進(jìn)行微調(diào)，即使可用數(shù)據(jù)很少。

對(duì)話(huà)框管理器

這一部分是最關(guān)鍵的，因?yàn)閷?duì)話(huà)的成敗很大程度上取決于它的肩膀。當(dāng)然，談話(huà)過(guò)程中隱含的所有內(nèi)容都非常重要。盡管如此，對(duì)話(huà)的連續(xù)性——流暢性——在很大程度上取決于這個(gè)組件在內(nèi)存（通過(guò)填滿(mǎn)的插槽）和動(dòng)作選擇方面的表現(xiàn)。

這就是為什么這篇文章通常由兩個(gè)子部分組成：

• 對(duì)話(huà)框狀態(tài)跟蹤器（DST）

• 對(duì)話(huà)框策略（DP）

DST跟蹤會(huì)話(huà)歷史、時(shí)隙以及與會(huì)話(huà)上下文相關(guān)的所有信息。上面提到的插槽是內(nèi)存單元，其中填充了通過(guò)語(yǔ)義框架、數(shù)據(jù)庫(kù)調(diào)用、webhook響應(yīng)等接收到的實(shí)體。

DP是負(fù)責(zé)根據(jù)語(yǔ)義框架、會(huì)話(huà)歷史或所選動(dòng)作選擇下一個(gè)動(dòng)作的子組件。

讓我們通過(guò)一個(gè)示例來(lái)了解此組件必須處理的復(fù)雜性：

（1）用戶(hù)：“我想從我的銀行賬戶(hù)中提取50元?！?/span>

（2）Bot：“哪種賬戶(hù)：活期還是信用？““

（3）用戶(hù)：“我的信用賬戶(hù)上有多少錢(qián)？““

（4）Bot：“您的銀行卡賬戶(hù)余額為100元?！?/span>

（5）用戶(hù)：“太好了！那我就從那一個(gè)拿走?！?/span>

（6）機(jī)器人：“好的，那么你想從你的信用賬戶(hù)中提取50元。是這樣嗎？““

（7）用戶(hù)：“是的，請(qǐng)?！?/span>

…。

在（1）NLU部分中，推斷的意圖可能是“提取現(xiàn)金”，實(shí)體“金額”中填有50元。bot已經(jīng)知道這個(gè)用戶(hù)，比如說(shuō)因?yàn)樗且粋€(gè)登錄用戶(hù)，并且從DB獲取信息，得到兩個(gè)帳戶(hù)“current”和“credit”，這兩個(gè)帳戶(hù)填充了“availableu accounts”的位置

DP決定bot需要知道用戶(hù)想要從哪個(gè)帳戶(hù)取款，因此下一個(gè)操作是詢(xún)問(wèn)（2）中的用戶(hù)應(yīng)該從哪個(gè)可用帳戶(hù)取款。在（3）中，用戶(hù)改變了目標(biāo)，現(xiàn)在想知道他們信用賬戶(hù)的余額。

DM必須足夠聰明，在目標(biāo)改變后繼續(xù)對(duì)話(huà)，但要保留已經(jīng)通過(guò)插槽記住的信息。在（5）中，用戶(hù)返回到初始目標(biāo)，引用過(guò)去的數(shù)據(jù)而不顯式地指定它。

bot必須將這些信息關(guān)聯(lián)起來(lái)，在（6）中，bot在執(zhí)行所需操作之前請(qǐng)求確認(rèn)收集的數(shù)據(jù)。

正如你所看到的，這不是一項(xiàng)容易的任務(wù)；學(xué)術(shù)界和公司正在對(duì)這一過(guò)程進(jìn)行大量研究。根據(jù)目標(biāo)，可以選擇更直接的方法或更復(fù)雜的方法。

最簡(jiǎn)單實(shí)用的方法和最不靈活的方法是將對(duì)話(huà)框建模為一個(gè)有限狀態(tài)機(jī)（FSM），其中每個(gè)狀態(tài)表示動(dòng)作，邊表示意圖。插槽可以保存在鍵/值數(shù)據(jù)結(jié)構(gòu)中。

更靈活的方法是將FSM與基于幀的系統(tǒng)相結(jié)合，如GUS在1977年描述的框架驅(qū)動(dòng)對(duì)話(huà)系統(tǒng)。

一種更復(fù)雜但同時(shí)也更復(fù)雜的方法是將對(duì)話(huà)框建模為ML的一個(gè)分類(lèi)問(wèn)題，其中對(duì)話(huà)框的歷史、過(guò)去選擇的動(dòng)作和槽是特征，動(dòng)作是要預(yù)測(cè)的類(lèi)。

NLG組件

NLP將人類(lèi)語(yǔ)言轉(zhuǎn)化為非結(jié)構(gòu)化數(shù)據(jù)，NLU通過(guò)語(yǔ)法理解數(shù)據(jù)，NLG則從結(jié)構(gòu)化數(shù)據(jù)生成文本。

NLG可以比作一個(gè)分析員，他將數(shù)據(jù)翻譯成單詞、句子和段落。這個(gè)組件的主要好處是它創(chuàng)建了一個(gè)上下文化的敘述，輸入隱藏在數(shù)據(jù)中的含義并進(jìn)行交流。

一旦機(jī)器人知道下一步要做什么，就應(yīng)該向用戶(hù)生成一個(gè)響應(yīng)，這樣他們就可以得到某種反饋。在用戶(hù)收到反饋后，他們可以決定是否有足夠的信息，是否可以完成交互，或者提出進(jìn)一步的問(wèn)題。

這里有兩個(gè)主要的解決方案：簡(jiǎn)單的方法是在模板中預(yù)定義響應(yīng)，在生成響應(yīng)時(shí)用占位符替換它們。另一種解決方案是動(dòng)態(tài)句子生成，它稍微復(fù)雜一點(diǎn)，使用深度學(xué)習(xí)在注入一些數(shù)據(jù)后自動(dòng)生成響應(yīng)。它可以用于創(chuàng)建復(fù)雜的模板系統(tǒng)。

預(yù)定義響應(yīng)解決方案的示例如下所示。這種模板可以用于將數(shù)據(jù)直接翻譯成文本。

“我找到了從{從{城市}到{到{城市}的機(jī)票。”占位符是{從{城市}}和{到{城市}，它們是取而代之的是談話(huà)中收集的實(shí)際數(shù)據(jù)，給出這樣的回答：“我找到了從馬德里到哥本哈根的機(jī)票。”

誰(shuí)知道呢，也許GPT-3會(huì)給你這個(gè)組件的答案！

模塊化方法或端到端方法

到目前為止，在本文中，我已經(jīng)介紹了構(gòu)建chatbot的三個(gè)模塊或組件：NLU、DM和NLG。然而，有一種不同的方法正在積極研究中，這意味著只有一個(gè)組件接收用戶(hù)消息并生成響應(yīng)。

用戶(hù)可以說(shuō)：“我想飛往北京”=>生成響應(yīng)的E2E黑盒=>星期一和星期二有航班。

這是一種端到端的方法，非常有趣，但目前它只存在于學(xué)術(shù)領(lǐng)域。然而，它看起來(lái)非常有前途！

這種方法的主要好處是，它允許您在每個(gè)模塊中控制NLP過(guò)程，對(duì)其進(jìn)行培訓(xùn)，并分別對(duì)其進(jìn)行改進(jìn)。另一個(gè)好處是單一責(zé)任原則，每個(gè)模塊只負(fù)責(zé)一件事，便于代碼維護(hù)。

為您的項(xiàng)目選擇正確的方法

到目前為止，我們已經(jīng)提出了開(kāi)發(fā)對(duì)話(huà)系統(tǒng)的不同技術(shù)和方法。根據(jù)您的項(xiàng)目需要，如果所需的bot非常簡(jiǎn)單，可以使用使用經(jīng)典N(xiāo)LP方法的簡(jiǎn)單NLU和基于FSM的對(duì)話(huà)框管理器。

如果您正在研究ML提供的可能性，您可以選擇模塊化方法，每個(gè)模塊使用不同的ML技術(shù)，也可以使用端到端方法。另一種選擇是將它們結(jié)合起來(lái)——例如，實(shí)現(xiàn)一個(gè)基于ML的NLU模塊，以及一個(gè)基于幀的對(duì)話(huà)框管理器和一個(gè)基于模板的NLG。

有很多可能性，但我們的想象力是有限的。我鼓勵(lì)那些對(duì)構(gòu)建bot感興趣的人深入研究本文中討論的不同選項(xiàng)，以發(fā)現(xiàn)哪個(gè)選項(xiàng)適合您的項(xiàng)目。