关键词自动采集生成内容系统-无需任何打理(基于语义分析的方法：此方法的思路就是来一个Query)

　　关键词自动采集生成内容系统-无需任何打理(基于语义分析的方法：此方法的思路就是来一个Query)

　　1、类别

　　根据场景，对话系统大致分为三类：聊天型、问答型、任务型。

　　1.1 一轮对话（Q&A）

　　问答式单轮对话为问答式，即类似于检索引擎；它依赖于知识库/问答对集，不依赖于上下文。

　　评价指标：召回率、准确率、问题解决率。

　　一轮对话的难点：

　　一种。识别同一问题的不同表达方式：对具有相同含义的不同问题返回相同的答案。

　　湾。理解语义的细微差别，处理不同的问题：即使问题非常相似，但语义存在差异，也需要在不同语义下匹配不同的答案。

　　C。对高频问题进行聚类，自动学习优化知识库：根据历史对话数据，通过聚类自动总结挖掘不在知识库中的高频问题，补充和完善知识库。

　　目前问答对话系统主要有以下几种设计方法：

　　基于语义分析的方法：该方法的思想是先对一个Query后的逻辑表达式进行语义分析，然后根据逻辑表达式推断知识库中的答案，即用知识图谱求解. 这种方法的重点是语义分析。

　　基于信息抽取的方法：这种方法的思路是，提出一个问题后，首先是对问题的各种分析，包括抽取关键词、关系词、焦点词以及问题的各种分类信息，然后从海量文档中提取各种分类信息。它检索可能收录答案的文档段落，在证据库中找到相关的证据支持，最后根据多个模型对结果进行排序以找到最终答案。

　　端到端方法：该方法基于深度学习模型，首先将问题表征为向量（此过程中默认省略问题分析步骤），然后也将答案表征为向量，最后计算两个向量之间的相关度，值越高，答案越有可能。它的核心是在表示答案时如何表示候选知识（非结构化段落或结构化子图）。

　　但是，真正的问答系统一般会根据要解决的问题综合多种方法。

　　1.2 多轮对话单轮对话多轮对话

　　轮和轮是独立的，任意两个句子是相互独立的

　　考虑话语之间的相互关系

　　执行一条指令所需的所有信息都在这句话中

　　可以处理不完整的语义案例

　　没有记忆功能

　　记录历史话语

　　评价指标：任务完成率、定制难度。

　　多轮对话的难点：

　　一种。准确的语义理解：要有上下文关联；支持中途打断回溯；支持引用[this]识别。

　　湾。状态管理和个性化语言生成：用户画像管理（如不同地区用户的不同反应）；对话状态管理（如：“请帮我预订3月28日北京到上海的航班”->引导用户ID信息，“请帮我预订北京到上海的机票”->引导出发时间&ID信息）。

　　2、意图识别

　　指识别提问者的潜在目的并表达他们的诉求。

　　意图识别与预设的行业知识库有关：预设的行业知识库越完整，机器人对用户意图的识别就越具体准确。

　　在同一意图类别下，还可以对更详细的意图进行分类，可以使用类脑图进行分类。

　　例如：“您发送哪个快递？” 和“我的快递去哪儿了？” 也是物流咨询意向，但从更详细的分类，“你发哪个快递？” 意向类型，“请问我的快递去哪儿了”属于查询物流状态的意向。

　　基于任务的对话需要意图识别，而问答式对话不需要意图识别。

　　意图识别的难点：

　　一种。用户输入不规范，同一问题不同用户的表达方式存在差异。比如“请帮我订一张深沪高铁车票”，这里的“深沪高铁”和其他用户提到的“深沪高铁”意思一样吗？

　　湾。多方面的判断，同一个词比如水，可能有多重含义，可能是饮用水，也可能是护肤爽肤​​水。

　　C。数据冷启动，必须​​基于大量数据来定义和获取准确的意图。

　　d。没有固定的评价标准，也没有针对用户意图的量化衡量指标，基本受制于人的主观判断。

　　3、对话框模板

　　用于根据特定语法和句型演示对话系统，教他如何理解特定语法和句型中的对话意图，哪个词是重要信息，对应的词槽，有哪些特征词.

　　例如：告诉机器人“明天三亚会下雨吗？” “明天三亚会下雨吗？” 都是询问天气的句子，其中“三亚”是对应城市的词槽，“明天”和“明天”是时间槽。完成的训练越多，机器人的理解能力就越好，就像人类儿童学习语言一样。

　　例如：“[D:sys_loc][D:sys_time] What's the weather”，上面的注解表示所有满足规则“[city]+[time]+what's the weather”的查询都可以解析到WEATHERINFO对话框中意图。

　　对话模板还可以使用多个对话模板组成对话模板组，对用户查询进行分段匹配，实现更强的对话意图泛化匹配能力，提高模板对用户查询的召回率。