用ChatBot订电影票

Question

我的问题与我刚刚开始从事的项目有关，这是一个ChatBot。

我想建造的机器人任务很简单。它必须使购买电影票的过程自动化。这是相当接近的领域和机器人有所有所需的访问电影院数据库。当然，如果用户消息与订购电影票的过程无关，机器人可以回答“我不知道”。

我已经创建了一个简单的演示，只是为了向一些人展示，看看他们是否对这样的产品感兴趣。该演示使用简单的DFA方法和一些简单的文本匹配与词干。我在一天内黑了它，结果发现用户对他们能够成功地订购他们想要的票印象深刻。(演示使用到电影院数据库的连接，为用户提供所有需要的信息，以订购他们想要的门票)。

我目前的目标是创建下一个版本，一个更高级的版本，特别是在理解自然语言方面。例如，演示版本要求用户在一条消息中只提供一个信息，并且不识别他们是否提供了更相关的信息(例如电影标题和时间)。我在这里读到一种有用的技术叫做“框架和插槽语义”，它看起来很有希望，但是我还没有找到关于如何使用这种方法的任何细节。

此外，我不知道哪种方法是提高自然语言理解的最佳方法。在大多数情况下，我认为：

1. 使用“标准”NLP技术，以便更好地理解用户消息。例如，同义词数据库，拼写更正，部分语音标记，训练一些基于统计的分类器来捕捉单词之间的相似和其他关系(如果可能的话，或者整个句子之间的关系？)等。
2. 使用AIML对会话流进行建模。我不确定在这样一个封闭域中使用AIML是否是个好主意。我从没用过，所以这就是我要问的原因。
3. 使用一种更“现代”的方法，并使用神经网络来训练一个分类器的用户信息分类。然而，它可能需要大量标记的数据。
4. 还有其他我不知道的方法吗？

哪一种方法最适合我的目标？

您知道在哪里可以找到更多关于“框架和插槽语义”如何详细工作的资源吗？--我在谈论框架和插槽方法时是指这个来自斯坦福的PDF。

Answer 1

这个问题相当广泛，但是这里有一些想法和实用的建议，基于NLP和基于文本的机器学习在类似的问题领域的经验。

我假设虽然这是你的聊天机器人的“更高级”版本，但它的工作范围是非常有限的。在我看来，这是一个非常重要的因素，因为不同的方法在数量和类型的手工工作所需的工作，和最先进的技术可能在很大程度上是遥不可及的。

一般来说，考虑的两种主要方法是基于规则的和统计的。第一种方法传统上更侧重于模式匹配，在您描述的设置中(可以投入有限的精力)，将涉及手动处理规则和/或模式。这种方法的一个例子是使用一组封闭的(但很大)的模板来匹配用户输入(例如使用正则表达式)。这种方法在性能上通常有一个“玻璃天花板”，但可以相对较快地得到很好的结果。

统计方法更多的是给一些ML算法一堆数据，让它从中提取规律，集中手工收集和标注一个好的训练集。在我看来，为了获得“足够好”的结果，您需要的数据量可能会大得令人望而却步，除非您能够想出一种方法轻松地收集大量至少部分标记的数据。

实际上是，我建议在这里考虑一种混合方法。使用一些基于ML的统计通用工具从用户输入中提取信息，然后应用手工构建的规则/模板。例如，您可以使用Google的帕西McParseface进行语法分析，然后对结果应用一些规则引擎，例如将动词与一系列可能的动作相匹配，例如“购买”、使用提取的语法关系来为电影名称寻找候选词等。这将使您很快获得相当好的结果，因为语法解析器的强大功能将使您能够“理解”甚至是复杂且可能令人困惑的句子。

我还建议推迟一些您想要做的元素，比如拼写更正，甚至是词干和同义词DB --因为问题相对来说是封闭的，您在投资于规则/模板时可能会有更好的ROI --框架和手动规则创建。此建议也适用于会话流的显式建模。