对话式AI新方法：对话即数据流( 三 ) 本文最初发布于MicrosoftResearch博客

文章插图
在这里，第一次事件搜索的条件（包含Megan的名为coffee的事件）被替换为新的条件（指定名为company retreat的事件）。
查看论文了解更多细节：。
4. 事情会出错在任何复杂的对话中，事情的发生都有许多意想不到的方式。与 Megan 预约会议的请求可能会失败，因为用户的联系人列表中没有叫 Megan 的人；因为有许多人都叫 Megan；因为没有空开会；甚或因为网络已断开，对话代理无法与服务器取得联系。每种情况都需要不同的响应，而现有的对话系统通常使用复杂的硬编码逻辑来从错误中恢复。
我们通过从数据流图的某个节点抛出异常来处理所有这些故障。我们的对话代理会响应这个失败的“结果” ，为用户生成一个适当的警告或问题。用户可以随意响应，也许是通过纠正问题；例如，在这个上下文中， “我指的是 Megan Bowen”将被解释为改进原始请求的修订。这种方法允许系统和用户在出现错误时根据上下文灵活地、模块化地、协作地处理错误。
5. 语言生成依赖于对话语境要成为一名有用的团队合作伙伴，对话 AI 系统需要能够生成语言，而不仅仅是解释它。大多数现有的对话方法要么是硬编码生成规则（导致输出听起来像机器人，不会因上下文不同而改变），要么是非结构化的神经语言模型（有时不说实话！）在我们的方法中，语言生成被建模为一个神经引导的合成程序转换过程，在这个过程中，代理会轮流扩展数据流图。代理可以讨论图表中出现的任何内容，而不仅仅是它计算得出的最后结果。它甚至可以向图中添加新的计算和结果，用户可以在以后的对话中随意引用：
文章插图
代码、数据和新一轮竞争我们相信，这种方法是迈向新一代自动对话代理的第一步，它可以像人与人之间那样与人交互。然而，解决这个问题需要整个社会的共同努力。为了促进基于数据流的对话代理的开放研究，我们发布了迄今为止最大、最复杂的面向任务的对话数据集 SMCalFlow。该数据集具有 41517 个标注了数据流程序的对话。这个数据集来自于人类之间探讨日历、天气、人和地点的开放式对话。与现有的对话数据集相比，我们收集对话不是基于预先指定的脚本，参与者不受限制，他们什么都可以问，他们可以按自己的方式完成他们的任务。因此， SMCalFlow 与现有的对话数据集有本质上的不同，它有关于代理能力、多轮错误恢复和复杂目标的具体论述。
数据集、代码和排行榜都可以在我们的 GitHub 页面上找到。我们期待看到自然语言处理社区如何使用这个新资源。
英文原文：
关注我并转发此篇文章，私信我“领取资料” ，即可免费获得InfoQ价值4999元迷你书，点击文末「了解更多」，即可移步InfoQ官网，获取最新资讯～