跑了一個簡單場景的chatbot demo之后，簡單歸納下構建方法：
1、從特定任務中歸納出Intents、Actions、Entities。
2、分別編寫Intents、Entities的examples，兩類examples是做DST的基礎，用來訓練chatbot準確地識別user intents和entity parameters，至于算法，自己寫也可以，用api.ai也可以。
3、做好DST之后，chatbot就知道用戶的意圖和相應的參數(shù)，丟給后臺的web service去執(zhí)行，并得到執(zhí)行的結果，然后填充預先定義好的templates，生成response，返回給用戶。
結束語
簡單場景的chatbot關鍵之處在于做好DST，有一個叫Dialogue State Tracking Challenge的比賽正式為了解決這個問題而舉辦的。我們說，封閉域的chatbot涉及兩個方面，一是NLU，一是NLG，前者通過大量的examples來學習一個分類器和抽取器，得到Dialogue State，而后者根據(jù)Dialogue State，生成合適的response。
NLU不是一個簡單的事情，尤其是標注大量的examples不是那么容易;NLG同樣也不是一個好解決的問題，預先定義的template會讓chatbot受限制于template的多少，手工痕跡太重，需要一種更牛的解決方案來代替。(其實挺多paper都在做這件事情，PaperWeekly也分享過幾篇相關的paper，data driven的NLG方案同樣需要大量的examples做訓練。)
Context是個挺難的事情，現(xiàn)有的、成熟的解決方案仍是手工來定義條件，然后根據(jù)條件來trigger。我在想，能否構建一個動態(tài)的DST，可以是一張動態(tài)hash table，也可以是一個動態(tài)graph，記錄著某一個user方方面面的狀態(tài)，而不僅僅是某一輪對話中抽取出的信息，而是多輪對話中的信息，不僅在intent識別中可以用到context，在生成response時也可以用到，多輪對話和個性化對話都將不是什么問題了?；蛘?，用現(xiàn)在流行的表示學習思維來想這個問題的話，也許context可以是一個分布式表示，user profile也是一個表示，NLG時以context distribution為condition來做generatation。
本文介紹了構建簡單場景下chatbot的一般方法，用api.ai確實很容易做一個chatbot，而對于復雜場景，我覺得用api.ai來開發(fā)也沒有太大問題，最費時的可能是構建context trigger。api.ai因為是面向developer的，所以對于普通的用戶并不適合，但對于有一定經(jīng)驗的developer來說，使用起來就非常簡單，提供的web界面也很好用，如果說chatbot是一個平臺的話，那么api.ai正像是一個開發(fā)工具，提高了開發(fā)chatbot的效率，雖然NLG和context這兩個問題可以做的更好，但整體來說降低了開發(fā)chatbot的門檻，是個很有意義和錢景的服務。