0、说明
对话系统大致可分为5个基本模块：语音识别（ASR）、自然语音理解（NLU）、对话管理（DM）、自然语言生成（NLG）、语音合成（TTS）。
对话管理（Dialog Management，DM）就是人机对话中的CPU，控制着整个人机对话的过程。
对话管理的任务主要有下4点：
- 对话状态维护（dialog state tracing，DST）
- 生成系统决策（dialog policy）
- 作为接口与后端/任务模型进行交互
- 提供语义表达的期望值（expections for interpretation）
1、任务驱动型对话系统的组成
任务驱动型人机对话系统会根据当前状态（state）和相应动作（action）决定下一步的状态和反馈，即求状态转移概率P(r,s’|s,a)，这其实是马尔科夫决策过程的思想。任务型人机对话系统包括以下几个部分：
- 获取用户query。
- 自然语言理解模块（Natural Language Understanding）：主要是槽位识别和意图识别，并且这时候识别的意图有可能是有多个的，对应的槽位也会不 同，都会有个置信度 。
- 对话管理模块：包括Dialog State Tracking（DST）和Dialog Policy。DST就是根据前面的信息得到它的state，state其实就是slot的信息：得到了多少slot，还差什么slot，以及它们的得分等等。Dialog Policy就是根据state做出一个决策，叫action，如还需要什么slot，是否要确认等等。
- 自然语言生成模块（Natural Language Generation）
Dialog Policy就是根据state做一个决策，只要有了state，就比较容易了，所以 DST 就比较关键。目前 DST 主要有这么几种方法 ：生成式模型（Generative Model）、判别式模型（Discrimitive Model）、规则系统。
2、闲聊型对话系统
闲聊型对话系统的设计方法主要有：规则方法、生成模型和检索方法。
- 规则方法：规则系统关键是如何写一堆规则和线上的快速匹配。目前没有哪个系统是纯规则的了，规则方法顶多只是在 一些其他方法处理不好的情况下的一个补充。
- 生成模型：举例：可以首先使用一个RNN模型把输入句子“ABC”表示成一个向量，然后把这个向量作为另一个RNN模型的输入，最后使用语言模型生成目标句子“WXYZ”。 这种方法的优点是省去了中间的模块，缺点是生成的大多是泛泛的无意义的回复、前后回复不一致，或者有句子不通顺的问题（一句话不通顺其实都很难解决）。好多人也在融合上下文、 Topic、互信息等来解决多样性问题，但遗憾的是，只使用这种方法效果并不尽人意（而且非常依赖于大量高质量的训练语料），它可以结合其他模型和策略来处理。
- 检索方法。
