前言：
Ubuntu Dialogue Corpus：a dataset containing almost 1 million multi-turn dialogues, with a total of over 7 million utterances and 100 million words。
Dialog State Tracking Challenge ： 跟踪用户行为的任务。
benchmark：基准
介绍：
unstructured dialogues ： there is no a priori logical representation for the information exchanged during the conversation.（对话是没有结构的，和slot类型方法区分开来。）
神经网络在那些领域获得了好的结果的。因为：
1）公共分布的数据很丰富
2）足够的计算能力
3）有不同的变种神经网络。
而Dialogue systems 并没有那么好。假设可能是因为缺少足够的数据集。
这个数据集是从Ubuntu chat logs上面提取下来的。所以才叫做Ubuntu Dialogue Corpus。
这个数据集平均8轮。最小3轮。
本文介绍了TF-IDF（frequency-inverse document frequency）、neural models（RNN）和（LSTM）。
相比其他的Datasets。
Switchboard dataset、Dialogue State Tracking Challenge datasets。往往是将问题视为slot filling task。（structural）where agents attempt to predict the goal of a user during the conversation.
（尽管他们对于训练神经网络而言，数据量很小，但是对于结构化的对话工作还是很有用的）。（应该是这些数据集往往是很有结构的问答。）
学习结构的发展。
数据集是如何产生的以及有什么特点。
三种学习方法：
TF-IDF ： Term frequency 和 inverse document frequency。
计算一个word对于一个document的重要性。（在这个例子里面，document就是上下文）。
这个经常被用来文档分类以及信息检索。
term-frequency 就是word在该document里面出现的次数。
inverse document frequency 就是一个惩罚用来估量这个单词是否在很多的文档上都出现。
其中就是值 word在上下文 d 中出现的次数。
N是所有的dialogues的数目。
惩罚就是w出现在了多少个dialogues中。
分母越大，log越小，最后值越小。
RNN：NN的变种，加入了上下文的机制。
引入了时间的概念。前一个时间（上一个词语或者是句子）对当前时间的输入数据也会有影响。
LSTM：改变hidden units to long-short term memory units。
