谈天机械人（Chatbot）是经由对话或文字举行攀谈的盘算机法式。其能够模拟人类对话，通过图灵测试。

自 1966 年以来人类从未停止过对谈天机械人的探索。现如今，苹果语音助手 Siri，微软的小冰、小娜、Rinna、Tay、Zo、Ruk kkuh，亚马逊的Echo，百度的小度机械人，京东JIMI客服机械人，七鱼等 Chatbot 纷纷进驻到生活的各个领域，改变着我们的生活。

历史生长脉络1966 年，MIT 的盘算机科学家 Joseph Weizenbaum 揭晓了 ELIZA，它可以凭据人工设计的剧本与人类交流，是世界上第一个模拟人类谈话的机械人；1971 年， 斯坦福大学的 Kenneth Colby 开发出 Parry 谈天机械人，它模拟偏执狂患者，这是第一个通过图灵测试的谈天机械人；1988 年，加州大学伯克利分校的 Robert Wilensky 等人开发了名为 UNIX Consultant 的谈天机械人系统；1990 年，美国人 Hugh Loebner 设立 Loebner Prize，奖励首个与人类回复无差异的盘算机法式，即谈天机械人系统；1995 年，Richard Wallace 博士开发的 ALICE 系统允许用户自界说自己的谈天机械人，被认为是 20 世纪最伟大的谈天机械人。ALICE 在 2000、2001 和 2004 年三次斩获勒布纳人工智能奖（Loebner Prize），该奖项发表给最像人类的系统；2001 年，SmarterChild 在短信和即时信息中广泛盛行，谈天机械人第一次被应用在即时通信领域；2006 年，IBM Watson 能够用自然语言回覆问题；2010 年，苹果语音助手 Siri 降生；之后，全球各大公司开始推出 Chatbots 平台或开源架构。必读论文推荐Dialog State Tracking: A Neural Reading Comprehension Approach作者：Shuyang Gao, Abhishek Sethi, Sanchit Agarwal, Tagyoung Chung, Dilek Hakkani-Tur链接：https://www.aminer.cn/pub/5de0b9f3df1a9c0c41598a75/dialog-state-tracking-a-neural-reading-comprehension-approach对话状态追踪用于在给定所有先前对话的情况下预计当前的对话状态。

机械阅读明白则偏重于构建系统，以读取文本段落并回覆基于段落明白的问题。本篇论文将对话状态追踪转化为一项机械阅读明白任务，以基于上下文回覆当前的对话状态是什么这一问题。传统的状态跟踪方法通常将对话状态预测为本体中所有可能的槽值在关闭荟萃上的漫衍，而本文使用简朴的基于注意力的神经网络来指向对话中的槽值。

Topical-Chat: Towards Knowledge-Grounded Open-Domain Conversations作者：Karthik Gopalakrishnan, Behnam Hedayatnia, Qinlang Chen, Anna Gottardi, Sanjeev Kwatra, Anu Venkatesh, Raefer Gabriel, Dilek Hakkani-Tür揭晓：Interspeech Conference链接：https://www.aminer.cn/pub/5db92b0647c8f7664621a7e6/topical-chat-towards-knowledge-grounded-open-domain-conversations建设可以与人类举行深条理、开放性对话的社交机械人，是人工智能领域的重大挑战之一。Amazon 团队开发的 Topical-Chat 是一个基于知识的人－人之间开放领域对话数据集（Knowledge-Grounded Open-Domain Conversations）。

其中的基础知识涵盖 8 个广泛的主题，而且对话同伴没有明确界说的角色，有助于对开放域对话式 AI 的进一步研究。本文还在 Topical-Chat 上训练了几种最新的编码器-解码器对话模型，并使用自动和人工评估以举行基准测试。MoEL: Mixture of Empathetic Listeners作者：Zhaojiang Lin, Andrea Madotto, Jamin Shin, Peng Xu, Pascale Fung链接：https://www.aminer.cn/pub/5db9294b47c8f766461f2f8d/moel-mixture-of-empathetic-listeners以往对移情对话系统的研究主要关注在特定情绪下发生的反映。可是，发生共情不仅需要具备生成情绪反映的能力，更需要明白用户的情绪并适当地予以回复。

本篇论文提出全新的基于端到端（End-to-End）在对话系统中建设移情模型的方法：移情听众的混淆物（MoEL）。这一模型首先捕捉用户的情绪并输出情绪漫衍。基于此，MoEL 将联合优化后的侦听器的对某些情绪做出的反映，从而发生移情。

Ethical Challenges in Data-Driven Dialogue Systems作者：Peter Henderson, Koustuv Sinha, Nicolas Angelard-Gontier, Nan Rosemary Ke, Genevieve Fried, Ryan Lowe, Joelle Pineau揭晓：In the 2018 AAAI/ACM Conference on AI, Ethics, and Society链接：https://www.aminer.cn/pub/5a4aef9e17c44a2190f7a8b1/ethical-challenges-in-data-driven-dialogue-systems本篇论文重点先容对话系统研究中可能泛起的道德问题，包罗：数据驱动系统中的隐性偏见、反抗性示例的泛起、潜在的隐私侵犯源、宁静问题，强化学习系统的特殊思量以及可复制性问题等。MultiWOZ - A Large-Scale Multi-Domain Wizard-of-Oz Dataset for Task-Oriented Dialogue Modelling作者：Pawel Budzianowski, Tsung-Hsien Wen, Bo-Hsiang Tseng, Iñigo Casanueva,Stefan Ultes, Osman Ramadan, Milica Gasic链接：https://www.aminer.cn/pub/5bdc315017c44a1f58a05b9f/multiwoz-a-large-scale-multi-domain-wizard-of-oz-dataset-for-task只管机械学习已成为对话研究界的主要场景，但真正的突破已被可用数据的规模所阻碍。

为相识决这个基本障碍，本篇论文引入了 Multi-Domain Wizard-of-Oz 数据集（MultiWOZ），这是一个跨越多个领域和主题的完全标志的人与人的书面临话数据集。它的对话数量到达了 10k，比所有先前注释的面向任务的语料库大至少一个数量级。

除了是标有对话信念状态和对话行为的开源数据集之外，这项事情的孝敬有两方面：首先，提供数据收集法式的详细形貌以及数据结构和分析的摘要。数据收集渠道完全基于众包，无需聘请专业注释人员；其次，陈诉了一组信念跟踪，对话行为和回复生成的基准效果，显示了数据的可用性，并为未来的研究设定了基线。

A Survey of Available Corpora For Building Data-Driven Dialogue Systems: The Journal Version作者：Iulian Vlad Serban, Ryan Lowe, Peter Henderson, Laurent Charlin, Joelle Pineau揭晓：Dialogue & Discourse链接：https://www.aminer.cn/pub/5b3d98bd17c44a510f800274/a-survey-of-available-corpora-for-building-data-driven-dialogue-systems-the本篇论文告诉我们现在有哪些可用于对话生成系统的开源数据集，而且分析了它们各自的重要特性，以及该如何使用他们。此外讨论了它们除了对话系统外的其他用途，以及这些数据集对应的检测方法。The Design and Implementation of XiaoIce, an Empathetic Social Chatbot作者：Li Zhou, Jianfeng Gao, Di Li, Heung-Yeung Shum揭晓：Computational Linguistics链接：https://www.aminer.cn/pub/5c5ce50d17c44a400fc38d54/the-design-and-implementation-of-xiaoice-an-empathetic-social-chatbot这是由微软研究员揭晓的关于智能语音助手小冰的论文。

小冰是一个奇特的人工智能朋友，具有情感联系，满足人类对交流、情感和社会归属的需求。本篇论文在系统设计中思量了智商和情商，将人机社交谈天作为马尔可夫决议历程（MDP）的决议，并优化了小冰的恒久用户到场度和预期的每次会话对话。本篇文章详细先容了系统架构和关键组件，包罗对话治理器、焦点谈天、技术和移情盘算模块；并展示了小冰如何动态识别人类的感受和状态，明白用户意图，并在长时间的对话中响应用户需求。

A Network-based End-to-End Trainable Task-oriented Dialogue System作者：Lina Maria Rojas-Barahona,Milica Gasic, Nikola Mrksic, Pei-Hao Su, Stefan Ultes, Tsung-Hsien Wen, Steve J. Young, David Vandyke链接：https://www.aminer.cn/pub/59ae3c3a2bbe271c4c71fcd9/a-network-based-end-to-end-trainable-task-oriented-dialogue-system让机械去和人类自然的攀谈是具有挑战性的。最近的任务型对话系统需要缔造几个部门而且通常这需要大量的人工干预，或者需要标注数据去解决各部门训练的问题。本篇论文提出了一种端到端的任务型对话系统（End-to-End trainable system），它接纳了一种基于管道框架的新颖的收集对话数据的方法。

这个方法确保轻松实现对话系统而不用过多的人工干预。Neural Belief Tracker: Data-Driven Dialogue State Tracking作者：Nikola Mrksic, Diarmuid Ó Séaghdha, Tsung-Hsien Wen, Blaise Thomson, Steve J. Young链接：https://www.aminer.cn/pub/57a4e921ac44365e35c9913a/neural-belief-tracker-data-driven-dialogue-state-tracking现代口语对话系统的焦点组成部门之一是 belief tracker，它可以在对话的每一步预计用户的目的。然而，现在大多数方法难以扩展到更大、更庞大的对话领域。这是由于他们依赖：a）口语明白（Spoken Language Understanding，SLU）模型，需要大量注释的训练数据；或者 b）手工制作的词汇表，用于捕捉用户语言中的一些词语变种。

本篇论文提出了一个新的 Neural Belief Tracking（NBT）框架，通过将模型建设在表征学习上以此克服了这些问题。NBT 模型对预训练的词向量举行推理，学习将它们组合成用户话语和对话上下文的漫衍式表现。Towards an Automatic Turing Test: Learning to Evaluate Dialogue Responses作者：Ryan Lowe, Michael Noseworthy, Iulian Vlad Serban, Nicolas Angelard-Gontier,Yoshua Bengio, Joelle Pineau链接：https://www.aminer.cn/pub/59ae3c262bbe271c4c71ea58/towards-an-automatic-turing-test-learning-to-evaluate-dialogue-responses本篇论文使用语境和真实反映来对模型生成的反映举行打分，并和人类打分的分值举行比力，从而到达一种自动举行图灵检测效果。

训练出来的模型可以生成切合人类判断、能回覆输入语句的对话。在给定地面实况的情况下，以往的事情都是盘算生成话语和地面实况的相似性（包罗字面上、语义上），本篇论文从人的明白角度出发，对生成的反映举行怀抱。

Adversarial Learning for Neural Dialogue Generation作者：Jiwei Li, Will Monroe, Tianlin Shi, Alan Ritter, Dan Jurafsky链接：https://www.aminer.cn/pub/58d82fcbd649053542fd6082/adversarial-learning-for-neural-dialogue-generationTo Plan or not to Plan? Discourse Planning in Slot-Value Informed Sequence to Sequence Models for Language Generation作者：Neha Nayak, Dilek Hakkani-Tür, Marilyn A. Walker, Larry P. Heck揭晓：Interspeech Conference链接：https://www.aminer.cn/pub/5a73cb6317c44a0b30358265/to-plan-or-not-to-plan-discourse-planning-in-slot-value-informedTraining End-to-End Dialogue Systems with the Ubuntu Dialogue Corpus作者：Ryan Thomas Lowe, Nissan Pow, Iulian Vlad Serban, Laurent Charlin, Chia-Wei Liu, Joelle Pineau揭晓：Dialogue & Discourse 链接：https://www.aminer.cn/pub/58d82fecd649053542fdc665/training-end-to-end-dialogue-systems-with-the-ubuntu-dialogue-corpusA Copy-Augmented Sequence-to-Sequence Architecture Gives Good Performance on Task-Oriented Dialogue作者：Mihail Eric, Christopher D. Manning链接：https://www.aminer.cn/pub/58d82fd2d649053542fd76c7/a-copy-augmented-sequence-to-sequence-architecture-gives-good-performance-on-taskLearning Symmetric Collaborative Dialogue Agents with Dynamic Knowledge Graph Embeddings作者：He He, Anusha Balakrishnan, Mihail Eric, Percy Liang链接：https://www.aminer.cn/pub/599c7953601a182cd263067d/learning-symmetric-collaborative-dialogue-agents-with-dynamic-knowledge-graph-embeddingsKey-Value Retrieval Networks for Task-Oriented Dialogue作者：Mihail Eric, Lakshmi Krishnan, Francois Charette, Christopher D. Manning链接：https://www.aminer.cn/pub/5d9edbfa47c8f7664602e485/key-value-retrieval-networks-for-task-oriented-dialogueLearning Robust Dialog Policies in Noisy Environments作者：Maryam Fazel-Zarandi, Shang-Wen Li, Jin Cao, Jared Casale, Peter Henderson, David Whitney, Alborz Geramifard链接：https://www.aminer.cn/pub/5a73cbc317c44a0b3035eb5a/learning-robust-dialog-policies-in-noisy-environmentsHybrid Code Networks: practical and efficient end-to-end dialog control with supervised and reinforcement learning作者：Jason D. Williams, Kavosh Asadi, Geoffrey Zweig链接：https://www.aminer.cn/pub/58d82fcbd649053542fd5e67/hybrid-code-networks-practical-and-efficient-end-to-end-dialog-control-withThe Dialog State Tracking Challenge Series: A Review作者：Jason D. Williams, Antoine Raux, Matthew Henderson揭晓：Dialogue & Discourse链接：https://www.aminer.cn/pub/57a4e937ac44365e35c9cbfe/the-dialog-state-tracking-challenge-series-a-reviewHow NOT To Evaluate Your Dialogue System: An Empirical Study of Unsupervised Evaluation Metrics for Dialogue Response Generation作者：Chia-Wei Liu, Ryan Lowe, Iulian Vlad Serban, Michael Noseworthy, Laurent Charlin, Joelle Pineau链接：https://www.aminer.cn/pub/573696106e3b12023e5239eb/how-not-to-evaluate-your-dialogue-system-an-empirical-study-of-unsupervised转自 学术头条。

本文来源：米乐m6-www.xingkongyilu.com