来自：CS的陋室

对话系统可以说是NLP领域目前已知最扎实的落地场景了，整个流程都脱离不了NLP的核心作用，而且整个流程涉及NLP的大量任务，因此大量的研究都围绕着对话系统来开展，也因此产生了很多很有意义的新方法。而检索式对话作为对话系统最原始的实现方式，又蕴涵着什么有意思的东西，我们来看看。

什么是对话系统

对话从来就不是一个简单的任务，这是一个涉及理解、生成、交互等多个方向技术的综合实体。

• 理解：需要理解对方输出的内容，只有这样才能给与正确的回应。

• 生成：基于理解的内容，给出合适的结果。

• 交互：在多轮对话上，需要记录跟踪整个对话过程中涉及的内容。

要同时完成这么多任务，相必是非常复杂的，同时场景上的复杂性，客服、语音助手、闲聊等，也造就了对话系统的复杂性，最终成为了NLP里面一个重要的研究抓手和目标。

检索式对话

检索式对话按照个人理解应该是最为经典的解决方案，把一个对话问题抽象为一个搜索问题，大量早期的对话系统都是用这种解决方案来实现的，甚至在现在，一些简单的对话任务，都可以用它来简单实现，可以说是工业界最喜欢的一种实现方式了。简单地说，整个检索式对话的流程可以用这个流程来表示：

query理解->检索召回->相似度排序

没错，看着就是搜索的流程，对句子进行理解，理解后到数据库里面进行召回，召回以后再进行相似度排序找到最佳答案。既然流程被拆解，那我们来看看每一步里面都会做什么东西。

query理解

简单的说，其实就是去理解用户输入的内容说的是啥，一般的自然语言理解主要关心的是这么几个技术细节：

• 意图和话题。即用户谈论的是哪个领域的事情，从而剖析用户期待对话系统返回的是什么。这个问题常被当成分类问题来处理，用分类规则或者是方法来进行意图识别。一旦抽象成分类问题大家就应该大概理解了，就是fastext、textcnn之类的玩意了。

• 槽位和实体。我们需要知道用户需要什么，需要抽取用户的具体实体，这个经常被抽象为序列标注问题，此时CRF、BILSTM-CRF之类的方法就是基操了。

当然，也有一些工程上会把它抽象化，只是转化为向量或者矩阵，下游用矩阵进行搜索。

总之，query理解这块，主要是为了解析用户说的内容，去理解他的语义，这样我们才能为用户找到合适的答案。

检索召回

召回这块，按照搜索的操作，就是拿着我们提取的槽位和实体，甚至是我们解析的向量和矩阵，根据意图和话题放到搜索引擎里面去检索，搜索引擎中有倒排索引，直接拿着关键词就能找到对应的内容。

然而，问题其实不在怎么检索召回，而是在于召回的内容怎么来。相比搜索引擎，对话系统的内容可能更加不结构化，同时可得性由于特定需求其实并不好得，例如淘宝的客服，每家店的商品性质各不相同，很难需要召回的结果，有正确答案的就更难了，所以，常用的方式有这几种：

• 对高频问题进行编辑，然后统一维护管理。数白了就是人编。

• 基于一些模板进行组装生成。

• 利用文本生成的方式进行处理。

相似度排序

一般地，根据用户最简单的query，往往能召回很多可能比较好的答案，此时我们要选择最优的给用户。衡量最优的标准之一就是相似度，语义相似度就是最为经典或者说基本的相似度衡量方式，当然搜索领域的ctr（不是点击率）、cqr、BM25等，这些非常基本的元素。

对经典的语义相似度，就要说2013年的DSSM了，这个模型可谓是开了语义相似度双塔结构的先河。

优缺点和应用场景

说完了具体的流程，然后再说说检索式对话的优点和应用场景。

先谈谈优点吧。

• 应该是这么多种对话实现方式中对样本依赖最低的。

• 实现成本低，初版本实现速度快，后续拓展

• 三段处理，可控性强。

因为这些优点，检索式对话在工程上被广泛应用。

• 客服机器人。尤其是淘宝的场景，这里有非常专业的内容，例如用户会问浴缸的长宽高，会问电脑的配置等等，这些用检索式非常方便。

• 问答类对话。例如小猿搜题之类的，还有一些百科类的问答，虽然不知道具体公司的操作，但是用检索式的确会非常方便。

• 对话系统初版本。即使是很多开放域，第一版本的构造都会尝试检索式对话的架构。

当然了，检索式对话这套实现方案还是有很大的局限性，因此才会有很多项目尝试做一些别的做法，先聊聊缺点：

• 答案相对固定，灵活性不足，在一些闲聊场景，会非常困难。如，用户问一句，你好，后面有很多答案都是合理的。

• 任务型的对话，在各种语音助手，小度、siri之类的很常见，一些引导用户完成任务的工作，对话机器人是需要做一个主动带节奏的角色，检索式基本办不到。

• 多轮对话。在检索式对话基础上，单轮对话升级为多轮对话其实是存在明显的天花板，成本也比较高，虽然已经有一些相关的操作，如Multi-view、SMN之类的，但是实现的难度还是会有些高。

小结

小结一下，检索式对话作为对话系统一个经典的技术，非常有必要学习和探究，今天大概讲了一些流程和概述，也希望大家有所收获。

下载一：中文版！学习TensorFlow、PyTorch、机器学习、深度学习和数据结构五件套！后台回复【五件套】下载二：南大模式识别PPT后台回复【南大模式识别】

说个正事哈

由于微信平台算法改版，公号内容将不再以时间排序展示，如果大家想第一时间看到我们的推送，强烈建议星标我们和给我们多点点【在看】。星标具体步骤为：

（1）点击页面最上方“深度学习自然语言处理”，进入公众号主页。

（2）点击右上角的小点点，在弹出页面点击“设为星标”，就可以啦。

感谢支持，比心。

投稿或交流学习，备注：昵称-学校（公司）-方向，进入DL&NLP交流群。

方向有很多：机器学习、深度学习，python，情感分析、意见挖掘、句法分析、机器翻译、人机对话、知识图谱、语音识别等。

记得备注呦

推荐两个专辑给大家：

专辑 | 

整理不易，还望给个在看！