iT邦幫忙

2019 iT 邦幫忙鐵人賽

DAY 30
6
AI & Data

英雄集結:深度學習的魔法使們系列 第 30

[魔法小報] 深度學習在聊天機器人(Chatbot)的技術與應用

  • 分享至 

  • xImage
  •  

鐵人賽第三十篇,想帶大家來探討聊天機器人(Chatbot)這塊的發展。

https://ithelp.ithome.com.tw/upload/images/20181112/20112540bZVOwihR6W.png

圖片來源:https://chatbotsmagazine.com/why-the-world-needs-chatbots-ae0c4abc33d5

拿今年夏天做的 Chatbot 簡報中的一張介紹市場上中文聊天機器人案例:
https://ithelp.ithome.com.tw/upload/images/20181112/20112540s4ofchoIox.png

Chatbot 按照功能大略分成兩種:

  1. 智能助理:侷限在特定領域或目標下,例如圖例的微股力,提供股市相關資訊,可以輸入股票代碼得到你要的資訊。
  2. 閒聊式機器人:如微軟小冰,使用者沒有一定的目的,多為發散式的對話。

再細分下去,可根據會話能力(Conversation capability)和回應機制(Response mechanism)來為 Chatbot 分類:
https://ithelp.ithome.com.tw/upload/images/20181112/20112540mUEydIz23C.png

圖片來源:http://www.lempinenpartners.com/what-are-chatbots-and-how-they-impact-service-management/

智能助理閒聊式機器人分別是Closed DomainOpen Domain 的會話能力應用。在Open Domain的框架下,使用者不一定有明確的意圖,而 Chatbot 嘗試提供有意義的答案。這種無限制的對話加深了實現的困難度,實際測試過微軟小冰,小冰的反應比大部分聊天機器人來得有趣,不過硬要挑毛病的話,還是有存在對話不流暢的情況。反觀Closed Domain,系統引導對話轉向特定的主題並回答與預定義主題相關的問題,因此相對來說是比較容易的。

圖中 X 軸為回應機制:Retrieving responsesGenerating responses,可以把模型分成這兩類。

  1. 基於檢索的模型(Retrieval-Based Models)
    使用預先定義的知識庫及算法來根據 inputcontext 選擇適當的 response。算法可以是規則模式(Rule based),也可以是用機器學習中的分類器來做。這種系统不會產生任何新的文本,它們只是從固定的集合中選擇一個 response
  • 優點:不會產生語法錯誤、實作較簡單
  • 缺點:可能無法處理沒有預定義 response 的場景
  1. 生成式模型(Generative Models)
    完全從零開始生成新的response,通常基於機器翻譯技術。
  • 優點:可以引用input 中的實體(Entity),讓人覺得聰明些
  • 缺點:很難訓練,且可能有語法錯誤(特別是較長的句子),且通常需要大量訓練 data

Deep Learning 技術皆可用在基於檢索的模型(Retrieval-Based Models)或生成式模型(Generative Models)上。

深度學習技術與挑戰

市場的 Chatbot 現況

Andrew Ng 曾說過目前 Chatbot 仍無法做到的是:進行真正有意義的對話。

Most of the value of deep learning today is in narrow domains where you can get a lot of data. Here’s one example of something it cannot do: have a meaningful conversation. There are demos, and if you cherry-pick the conversation, it looks like it’s having a meaningful conversation, but if you actually try it yourself, it quickly goes off the rails.

目前市場上的 Chatbot 系統大多是基於檢索式模型的應用,因為在產品系统內發生語法錯誤的代價是非常昂貴的,可能會導致用戶流失,這也是為什麼大多數系统採用基於檢索的方法,來避免掉語法錯誤和攻擊性的反應。

特別一提,生成式模型的開放領域(Open Domain)系統可說是通用人工智能(AGI,Artificial General Intelligence),目前離這個實現還很遠,但大量的研究在持續進行著。不過若是在限定領域(Closed Domain),生成式和檢索式的方法都是合適的。

大概在 Rule based 的對答系統下,加入生成式的因子,做 hybrid 的模型,會是一條比較可實行的路。

本篇文章主要參考自:Deep Learning for Chatbots, Part 1 – Introduction


上一篇
[魔法小報] 深度學習在自然語言處理(NLP)的技術與應用
下一篇
[落幕結語] 第一次參加鐵人賽心得
系列文
英雄集結:深度學習的魔法使們31
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

1 則留言

1
SunAllen
iT邦研究生 1 級 ‧ 2018-11-14 09:39:50

恭喜大大完賽! /images/emoticon/emoticon07.gif

感覺還有後續.../images/emoticon/emoticon35.gif

莉森揪 iT邦新手 5 級 ‧ 2018-11-14 09:41:33 檢舉

耶~謝謝!/images/emoticon/emoticon34.gif

被你發現了...剩一篇結語而已~!/images/emoticon/emoticon12.gif

SunAllen iT邦研究生 1 級 ‧ 2018-11-14 09:45:45 檢舉

連看30天,要當個專業的揪粉啊/images/emoticon/emoticon37.gif

莉森揪 iT邦新手 5 級 ‧ 2018-11-14 09:47:13 檢舉

太感謝大大了~~~/images/emoticon/emoticon43.gif

我要留言

立即登入留言