智能会话代理：基于习语提示的对话行为解释模型

智能会话代理：基于习语提示的对话行为解释模型

            冯志伟

我们来讨论基于习语提示（cue based）的对话行为解释模型。

解释对话行为的计划推理方法是特别强有力的；通过采用丰富的知识结构和强大的计划推理技术，这种方法可以用于解决对话行为中很多微妙的问题。

这种计划推理方法的缺点是耗费太高，无论是从计划推理的启发式规则所花费的人工来看，还是从这些启发式规则在系统中运行的时间来看，其耗费都是非常大的。实际上，由于计划推理方法容许所有可能类型的非语言推理在对话处理中都可以发挥作用，因此，这种方法的全面应用是一个“AI完全问题”（人工智能完全问题）。AI完全问题是指那些在没有完全地解决人工智能的所有问题之前，还不可能真正解决的问题。

然而，在许多的实际应用中，只要使用比较简单但更加有效的数据驱动的方法，就有可能满足需要了。这类方法中的一种就是基于习语提示的对话行为解释模型。在这种基于习语方法中，像“Can you give me a list of flights from Atlanta?”这样的句子具有两个字面的意义：一个字面意义是“提问”，另一个字面意义是“请求”。这样，我们就可以对像“Can you X”这样的句子结构添加两个意义而在语法中加以实现，从而实现对于对话行为的解释。

在对话行为的理解中，许多研究者都采用了基于提示的方法。基于提示的模型之间的不同在于辨别对话行为时所采用提示知识源的不同。例如，可以采用词汇、搭配、句法、韵律或对话结构等不同的提示知识源。

例如，可以采用有监督的机器学习算法，利用对每个话段都添加了手工标注的对话行为的语料加以训练。至于采用哪些提示取决于不同的对话行为的需要。这样一来，每一个不同的对话行为常常具有它自己特定的“微语法”（microgrammer）；这种微语法具有特定的词汇、搭配和韵律特征。

例如， D. Jurafsky（朱夫斯凯）等对话行为解释系统就使用了下面的3个信息源：

1．  单词和搭配（Words and Collocation）：Please或 would you 是REQUEST（请求）的有效提示，而are you是YES-NO-QUESTION（是非疑问句）的有效提示。

2．  韵律（Prosody）：上升音高是YES-NO-QUESTION（是非疑问句）的有效提示。响度或重音可以帮助区分yeah是AGREEMENT（同意）还是BACKCHANNEL（反输）。

3．  会话结构（Conversational Structure）：SUGGEST（建议）之后的yeah可能是AGREEMENT（同意），而INFORM（通知）之后的yeah可能是BACKCHANNEL（反输）。