前面的四天依序介紹了NLU、DST、DPL及NLG，你們可能會想:

"蛤~? 鋪梗鋪這麼久是要講什麼? 這跟Chit-chat Chatbot有什麼關聯?"

那是因為我們希望Chatbot不僅要跟我們聊天，還要會幫我們解決問題!
所以~~ 接下來要介紹集四個模型為一體的 Task-Oriented Pipeline System!

Task-oriented Dialogue(TOD) 任務導向對話系統

在Day2時，
我們提到對話系統分為閒聊式(Chit-chat)和任務導向式(Task-oriented)，

相較於閒聊式對話系統，TOD更專注於解決用戶需求。

在TOD中，我們通常分為使用者(user)及系統(system)，系統就是我們常說的Chatbot。
Task-Oriented Dialogue(TOD) System有四個架構:

• NLU: 理解使用者意圖，即知道使用者想做什麼 (輸入:對話；輸出:對話行為)
• DST: 追蹤對話狀態，紀錄對話現在處於什麼狀態 (輸入:對話行為；輸出:對話狀態)
• DPL: 將對話狀態丟進資料庫搜尋，並決定該給使用者什麼樣的回應 (輸入:對話狀態、意圖；輸出:對話行為)
• NLG: 生成自然語言回應，讓回應聽起來更像人話 (輸入:對話行為；輸出:對話)

四個模型都是獨立訓練的，你可能會覺得為什麼不像Chit-chat Dialogue一樣，硬Train一個End-to-End的模型就好?

有以下幾個原因:

• 任務導向對話比一般閒聊更複雜，需要更精細的模型來處理
• 獨立訓練每個模組可以讓整個系統更靈活，更容易擴展和優化
• 訓練一個End-to-End架構的模型需要大量的對話資料，通常成本較高

所以訓練一個End-to-End架構... 貴R... (除非你像OpenAI、Google或Microsoft一樣Rich)

TOD 語料集

在TOD系統中，除了對話、對話行為或狀態，還可能包含:
(粗斜體為TOD系統和語料必須包含之項目)

• Dialogs: 使用者及系統對話。
• Goal: 目標，即要達成對話結束所要提到的槽即槽值。
• DA-U: 使用者對話行為。
• DA-S: 系統對話行為。
• State: 對話狀態。
• API result: 資料庫查詢結果，可是做一個狀態，要給DPL決定回覆用。
• DataBase: 要給DPL查詢資料用。

而目前的開源TOD資料集如下:

接下來，我們將詳細介紹北京清大以Pytorch撰寫的任務導向對話工具包-ConvLab

Reference.
GitHub-ConvLab-3