對話系統(tǒng)可以說是NLP領域目前已知最扎實的落地場景了，整個流程都脫離不了NLP的核心作用，而且整個流程涉及NLP的大量任務，因此大量的研究都圍繞著對話系統(tǒng)來開展，也因此產(chǎn)生了很多很有意義的新方法。而檢索式對話作為對話系統(tǒng)最原始的實現(xiàn)方式，又蘊涵著什么有意思的東西，我們來看看。

什么是對話系統(tǒng)

對話從來就不是一個簡單的任務，這是一個涉及理解、生成、交互等多個方向技術的綜合實體。

理解：需要理解對方輸出的內(nèi)容，只有這樣才能給與正確的回應。

生成：基于理解的內(nèi)容，給出合適的結(jié)果。

交互：在多輪對話上，需要記錄跟蹤整個對話過程中涉及的內(nèi)容。

要同時完成這么多任務，相必是非常復雜的，同時場景上的復雜性，客服、語音助手、閑聊等，也造就了對話系統(tǒng)的復雜性，最終成為了NLP里面一個重要的研究抓手和目標。

檢索式對話

檢索式對話按照個人理解應該是最為經(jīng)典的解決方案，把一個對話問題抽象為一個搜索問題，大量早期的對話系統(tǒng)都是用這種解決方案來實現(xiàn)的，甚至在現(xiàn)在，一些簡單的對話任務，都可以用它來簡單實現(xiàn)，可以說是工業(yè)界最喜歡的一種實現(xiàn)方式了。簡單地說，整個檢索式對話的流程可以用這個流程來表示：

query理解->檢索召回->相似度排序

沒錯，看著就是搜索的流程，對句子進行理解，理解后到數(shù)據(jù)庫里面進行召回，召回以后再進行相似度排序找到最佳答案。既然流程被拆解，那我們來看看每一步里面都會做什么東西。

query理解

簡單的說，其實就是去理解用戶輸入的內(nèi)容說的是啥，一般的自然語言理解主要關心的是這么幾個技術細節(jié)：

意圖和話題。即用戶談論的是哪個領域的事情，從而剖析用戶期待對話系統(tǒng)返回的是什么。這個問題常被當成分類問題來處理，用分類規(guī)則或者是方法來進行意圖識別。一旦抽象成分類問題大家就應該大概理解了，就是fastext、textcnn之類的玩意了。

槽位和實體。我們需要知道用戶需要什么，需要抽取用戶的具體實體，這個經(jīng)常被抽象為序列標注問題，此時CRF、BILSTM-CRF之類的方法就是基操了。

當然，也有一些工程上會把它抽象化，只是轉(zhuǎn)化為向量或者矩陣，下游用矩陣進行搜索。

總之，query理解這塊，主要是為了解析用戶說的內(nèi)容，去理解他的語義，這樣我們才能為用戶找到合適的答案。

檢索召回

召回這塊，按照搜索的操作，就是拿著我們提取的槽位和實體，甚至是我們解析的向量和矩陣，根據(jù)意圖和話題放到搜索引擎里面去檢索，搜索引擎中有倒排索引，直接拿著關鍵詞就能找到對應的內(nèi)容。

然而，問題其實不在怎么檢索召回，而是在于召回的內(nèi)容怎么來。相比搜索引擎，對話系統(tǒng)的內(nèi)容可能更加不結(jié)構(gòu)化，同時可得性由于特定需求其實并不好得，例如淘寶的客服，每家店的商品性質(zhì)各不相同，很難需要召回的結(jié)果，有正確答案的就更難了，所以，常用的方式有這幾種：

對高頻問題進行編輯，然后統(tǒng)一維護管理。數(shù)白了就是人編。

基于一些模板進行組裝生成。

利用文本生成的方式進行處理。

相似度排序

一般地，根據(jù)用戶最簡單的query，往往能召回很多可能比較好的答案，此時我們要選擇最優(yōu)的給用戶。衡量最優(yōu)的標準之一就是相似度，語義相似度就是最為經(jīng)典或者說基本的相似度衡量方式，當然搜索領域的ctr（不是點擊率）、cqr、BM25等，這些非?；镜脑亍?/p>

對經(jīng)典的語義相似度，就要說2013年的DSSM了，這個模型可謂是開了語義相似度雙塔結(jié)構(gòu)的先河。

優(yōu)缺點和應用場景

說完了具體的流程，然后再說說檢索式對話的優(yōu)點和應用場景。

先談談優(yōu)點吧。

應該是這么多種對話實現(xiàn)方式中對樣本依賴最低的。

實現(xiàn)成本低，初版本實現(xiàn)速度快，后續(xù)拓展

三段處理，可控性強。

因為這些優(yōu)點，檢索式對話在工程上被廣泛應用。

客服機器人。尤其是淘寶的場景，這里有非常專業(yè)的內(nèi)容，例如用戶會問浴缸的長寬高，會問電腦的配置等等，這些用檢索式非常方便。

問答類對話。例如小猿搜題之類的，還有一些百科類的問答，雖然不知道具體公司的操作，但是用檢索式的確會非常方便。

對話系統(tǒng)初版本。即使是很多開放域，第一版本的構(gòu)造都會嘗試檢索式對話的架構(gòu)。

當然了，檢索式對話這套實現(xiàn)方案還是有很大的局限性，因此才會有很多項目嘗試做一些別的做法，先聊聊缺點：

答案相對固定，靈活性不足，在一些閑聊場景，會非常困難。如，用戶問一句，你好，后面有很多答案都是合理的。

任務型的對話，在各種語音助手，小度、siri之類的很常見，一些引導用戶完成任務的工作，對話機器人是需要做一個主動帶節(jié)奏的角色，檢索式基本辦不到。

多輪對話。在檢索式對話基礎上，單輪對話升級為多輪對話其實是存在明顯的天花板，成本也比較高，雖然已經(jīng)有一些相關的操作，如Multi-view、SMN之類的，但是實現(xiàn)的難度還是會有些高。

小結(jié)

小結(jié)一下，檢索式對話作為對話系統(tǒng)一個經(jīng)典的技術，非常有必要學習和探究，今天大概講了一些流程和概述，也希望大家有所收獲。

責任編輯：xj

原文標題：【對話】對話系統(tǒng)經(jīng)典：檢索式對話

文章出處：【微信公眾號：深度學習自然語言處理】歡迎添加關注！文章轉(zhuǎn)載請注明出處。