K.1 对话行为与对话状态

前面介绍的朴素槽位抽取系统能够处理简单对话，但我们经常需要更复杂的交互。例如，系统可能需要确认自己已经理解用户，或请用户重复一遍。借助对话行为（dialogue act）和对话状态（dialogue state），可以构建更复杂的系统。

K.1.1 对话行为¶

对话行为是言语行为的推广，它还表示对话中的落地（grounding），即参与者确认彼此已经理解的过程。对话行为集合既可以是通用的，也可以专门针对特定对话任务设计。

图 K.4　Young 等人（2010）的 HIS 餐厅推荐系统所用的对话行为。原表还分别标出了哪些行为可由系统输出、哪些可由用户输入。

图 K.4 给出餐厅推荐系统的一组标签；图 K.5 则用这些标签标注 HIS 系统的一段示例对话（Young et al., 2010）。该示例还展示每个对话行为的内容，即行为所传递的槽位填充值。例如，用户可以用 INFORM 告诉系统自己想在博物馆附近吃意大利菜，也可以用 CONFIRM 向系统确认价格是否适中。

图 K.5　HIS 系统的一段对话，使用图 K.4 中的对话行为（Young et al., 2010）。

K.1.2 对话状态跟踪¶

对话状态跟踪器（dialogue-state tracker）的任务，是确定框架的当前状态——即每个槽位的填充值——以及用户最近一次对话行为。对话状态不只是当前句子中的槽位填充值，还包含此刻整个框架的状态，并概括用户到目前为止提出的全部约束。图 K.6 摘自 Mrkšić 等人（2017），展示每一轮之后的对话状态。

检测对话行为与领域或意图分类的方法相同：让输入句子通过编码器，再添加一个行为分类器。把前一个对话行为也作为输入，往往能提高分类效果。由于对话行为会对槽位及其取值施加一定约束，对话行为检测和槽位填充经常联合执行。状态跟踪器可以在每句话后直接接收槽位填充序列模型（K.0.1 节）的输出；也可以采用更复杂的方法，例如训练分类器来判断某个值是否发生了改变。

图 K.6　每轮对话之后对话状态跟踪器的输出（Mrkšić et al., 2017）。

一种特殊情况是检测纠正行为（correction act）。对话系统错误识别或误解一句话后，用户会重复或换一种说法。检测这种用户纠正行为非常重要，对口语尤其如此。颇具讽刺意味的是，纠正语句实际上比普通语句更难识别（Swerts et al., 2000），因为受挫的用户会调整说话方式，而这种方式恰恰令语音识别器难以处理（Goldberg et al., 2003）。例如，说话者纠正错误时经常采用一种称为过度清晰发音（hyperarticulation）的韵律风格：话语音量更大、时长更长，或音高更夸张，如 “I said BAL-TI-MORE, not Boston”（我说的是“巴—尔—的—摩”，不是 Boston）（Wade et al., 1992；Levow, 1998；Hirschberg et al., 2001）。纠正行为可以由通用的对话行为分类器检测，也可以利用词语之外的专门特征，例如下表所列特征（Levow, 1998；Litman et al., 1999；Hirschberg et al., 2001；Bulyko et al., 2005；Awadallah et al., 2015）。

K.1.3 对话策略：生成哪一种行为¶

早期商业框架式系统的对话策略（dialogue policy）很简单：不断提问，直到所有槽位均已填满；查询数据库；然后把结果报告给用户。更复杂的对话策略可以帮助系统决定何时回答用户的问题、何时改为向用户提出澄清问题等。因此，对话策略决定系统接下来要生成何种对话行为。选择要生成的对话行为及其论元，有时称为内容规划（content planning）。

下面用几种重要的对话行为说明这一过程。对话系统，尤其是语音系统，经常会误识别用户的词语或意思。为确保系统与用户具有共同基础（common ground），系统必须向用户确认自己的理解，或拒绝处理自己未能理解的话语。系统可以使用显式确认行为，例如以下对话中的 “Is that correct?”：

用户：I’d like to fly from Denver Colorado to New York City on September twenty first in the morning on United Airlines.

系统：Let’s see then. I have you going from Denver Colorado to New York on September twenty first. Is that correct?

使用隐式确认行为时，系统会以更不显眼的方式建立共同基础，例如在提出下一个问题时顺带重复自己的理解。下面的例子在提问中确认了 Shanghai：

用户：I want to travel to Shanghai.

系统：When do you want to travel to Shanghai?

两种方式之间存在权衡。显式确认使用户能够仅用 “no” 回答确认问题，从而更容易纠正误识别；但它既耗时又显得生硬（Danieli and Gerbino, 1995；Walker et al., 1998）。我们可能还需要表达未能理解的行为，即拒绝（rejection），例如提示 “I’m sorry, I didn’t understand that.”。为了在这些行为之间作出选择，可以利用 ASR 系统通常会计算转写置信度这一事实；该置信度经常基于系统赋予句子的对数似然。于是，系统可以只对低置信度句子进行显式确认。系统也可以设置四个置信等级，并使用三个阈值 $\alpha$、$\beta$ 和 $\gamma$：

< α    低置信度：拒绝
≥ α    超过阈值：显式确认
≥ β    高置信度：隐式确认
≥ γ    极高置信度：完全不确认

K.1.4 自然语言生成：句子实现¶

recommend(restaurant name=Au Midi, neighborhood=midtown, cuisine=french)

1 Au Midi is in Midtown and serves French food.
2 There is a French restaurant in Midtown called Au Midi.

图 K.7　NLG 句子实现阶段的示例输入。内容规划器预先指定对话行为和属性，句子实现器则可以生成两种不同的输出句。示例来自 Nayak 等人（2017）的餐厅推荐系统。

选定对话行为后，还需要生成向用户作答的文本。这一生成过程称为句子实现（sentence realization）。图 K.7 给出句子实现阶段的一个输入／输出示例。内容规划器已经选定对话行为 RECOMMEND，以及若干槽位（名称、街区、菜系）和填充值。句子实现器通过在带标签对话语料库中的“表示—句子”样例上训练，生成第 1 行或第 2 行那样的句子。

由于每一种表达方式的训练数据中不可能出现所有餐厅或属性，我们可以进行去词汇化（delexicalization）：把训练集中表示具体槽位值的词替换成代表该槽位的通用占位词元，从而推广训练样例。图 K.8 展示图 K.7 中句子的去词汇化形式。

recommend(restaurant name=Au Midi, neighborhood=midtown, cuisine=french)
1 restaurant_name is in neighborhood and serves cuisine food.
2 There is a cuisine restaurant in neighborhood called restaurant_name.

图 K.8　可用于生成许多不同再词汇化句子的去词汇化句子。示例来自 Nayak 等人（2017）的餐厅推荐系统。

我们可以使用编码器—解码器模型，把框架映射为去词汇化句子（Mrkšić et al., 2017 等）；模型在 MultiWOZ（Budzianowski et al., 2018）等手工标注的对话语料库上训练。编码器的输入是词元序列 $x_t$，表示对话行为（如 RECOMMEND）及其论元（如 service:decent、cuisine:null）（Nayak et al., 2017），如图 K.9 所示。

图 K.9　编码器—解码器句子实现器，把槽位／填充值映射为英语句子。

解码器输出去词汇化的英语句子 “name has decent service”，随后可对它进行再词汇化（relexicalization），即重新填入正确的槽位值，得到 “Au Midi has decent service”。