原文链接：https://mp.weixin.qq.com/s/6wSz8wAi0vrHebZ0EJ2sZA
作者：戴音培、虞晖华、蒋溢轩、唐呈光、李永彬、孙健
发布时间：2019-12-26
1950年，图灵测试。
第一代对话系统：基于规则的对话系统。
1966年，MIT开发的ELIZA系统，基于模版匹配方法的心理医疗聊天机器人。
1970年，基于流程图的对话系统，采用有限状态自动机建模对话流中的状态转移。内部逻辑透明，易于调试，高度依赖专家的人工干预，灵活性和可拓展性差。
第二代对话系统：基于统计学方法的数据驱动的对话系统。
最具代表性的是剑桥大学Steve Young教授于2005年提出的基于部分可见马尔可夫决策过程。Partially Observable Markov Decision Process , POMDP（http://mi.eng.cam.ac.uk/~sjy/papers/ygtw13.pdf）该系统在鲁棒性上显著地优于基于规则的对话系统。但是模型难以维护，可拓展性也比较受限。
第三代对话系统：基于深度学习的对话系统。自然语言理解（A network-based end-to-end trainable task-oriented dialogue system），对话状态，对话策略（Sample-efficient actor-critic reinforcement learning with supervised data for dialogue management）。
Facebook提出的基于记忆网络的任务对话系统，第三代对话系统效果优于第二代系统，但是需要大量带标注数据才能进行有效训练。
常见的对话系统可分为三类：聊天型，任务导向型和问答型。
随着用户对产品体验的要求逐渐提高，实际对话场景更加复杂，对话管理模块也需要更多的改进和创新。传统的对话管理模型通常是建立在一个明确的话术体系内（即先查找再问询最后结束），一般会预定义好系统动作空间、用户意图空间和对话本体，但是实际中用户的行为变化难测，系统的应答能力十分有限，这就会导致传统对话系统可拓性差的问题（难以处理预定义之外的情况）。
另外，在很多的真实业界场景，存在大量的冷启动问题，缺少足量的标注对话数据，数据的清洗标注成本代价高昂。而在模型训练上，基于深度增强学习的对话管理模型一般都需要大量的数据，大部分论文的实验都表明，训练好一个对话模型通常需要几百个完整的对话 session，这样低下的训练效率阻碍了实际中对话系统的快速开发和迭代。
对话管理模型痛点一：可拓展性差
DST + Dialogue Policy
- 变化的用户意图
- 变化的槽位和槽值
- 变化的系统动作
对话管理模型痛点二：标注数据少
- 机器自动标注
- 对话结构挖掘
- 数据采集策略
对话管理模型痛点三：训练效率低