随着语音识别、NLP等技能的成熟，多轮对话交互系统将成为人机交互的主要纽带和桥梁。

目前市场上人机对话交互紧张分为三种类型：任务型、问答型、闲聊型。

任务型紧张目的便是根据用户描述的问题，网络必要的参数信息以完成用户的任务；问答型紧张通过模型的解析，匹配知识库的答案并供应给用户；闲聊型紧张以调节感情，在用户当下的利用场景，以贴近用户情绪为目的，拉近用户的间隔。

人机对话交互中，机器处理自然措辞时须要用到不同的语义表达形式来处理。
紧张有分布式语义、框架式语义、模型式语义。

01 分布式语义

可以大略的理解为相似句模型解析。
分布式语义须要标注大量的演习数据，大量的知识点会形成一个向量空间。
当用户问题过来时，机器先将用户的问句进行分词，根据分词结果匹配词库，也可以将语义理解成向量，机器根据空间向量分布判断给出最优解。

日常在进行模型调优时，我们紧张从数据和算法两个方面进行调优，再根据模型的精确率和召回率，找到最优的f值，给定模型的阈值。

目前大量的机器学习都用的是分布式语义，依赖数据来处理语义间的关系，但分布语义理解比较浅，很难处理深层的语义。

02 框架式语义

现在市场上有很多的语音助手产品，通过获取用户问题中的关键参数，然后将参数填入协议中，完成用户的任务操作。

例如“查一下7月1日上海到洛杉矶的航班”，这句话中我们须要获取到用户的四个信息槽位：

首先我们明确用户的场景，用户是想查飞机的航班信息，以是结果里肯定不能涌现汽车、火车等场景；“7月1日”对应切实其实定是韶光的参数time，以是查询的结果里肯定是7月1日当天的一个航班信息；用户的出发地是上海，目的地是洛杉矶，分别对应参数里的origin、destination，以是这边两个参数不能颠倒，不然查询的结果就不是用户真实想要的信息了。

可以看到框架式语义最主要的便是要识别语义中的参数信息，缺一个都不能完成用户的真实需求。
以是在框架式语义中，框架识别和参数识别是非常主要的。

但用框架语义处理一些指代词等高等的措辞或须要结合高下文理解的时候，会由于短缺某一个槽位，而丢失用户信息，以是现在很多框架语义配置时用了“平行槽位”。

首先明确在某一场景下，我们须要获取哪些槽位信息，当配置了平行槽位后，用户语义中短缺哪一个槽位信息，通过配置追问话术，将槽位信息补全，以完成用户的终极目的。

03 规则式语义

规则式语义便是将用户问句通过表达式的形式进行匹配，当知足规则哀求时，给出结果回答。

要让用户问句能通过规则匹配问题，首先要明确走规则匹配逻辑要优先于相似句匹配。
规则也须要获取问句中的实体信息，知足哀求后，即可匹配上。

下面就举一个例子：

我们看这条规则由 {} . & | : # 等标点符号，也有字段等信息组成的一条规则。
看这规则会以为比较乱，但细细剖析，实在还是很大略的一条规则。

首先明确这个规则的意图，是一个打开动作，解释是一个指令。
后面须要填写的槽位信息便是A股、港股、美股的槽位信息、末了一个便是栏目。
以是可以确定这条规则便是一个“打开某只股票的个股资料”。

由于每个标点代表的意思是不同的，这就不细细解释了。
以是当用户问句知足这个规则哀求，就知足了这个规则对应的标准句，那用户就能得到该标准句对应的答案了。

不同的语义处理形式逻辑都不同，但终极的目的还是为了能完成用户下达的任务或操作。
随着分词技能、实体抽取、NLU等技能的成熟，人机交互会更加和谐，处理效率会越来越高。

本文由 @vilionwang 原创发布于大家都是产品经理，未经作者容许，禁止转载。

题图来自Unsplash，基于CC0协议。