對話系統已經越來越引起人們的注意。其根據應用可以分為任務型對話系統和非任務型對話系統。任務型對話系統，通常是為了幫助用戶完成某些特定任務，例如查找產品、訂票、控制家電等。這類任務需要維護一個系統狀態，知曉當前用戶的意圖、完成任務還需要的信息等，最後確定用戶實際任務需求並執行。
目前任務型對話的處理方式有pipline和端到端兩種結構。在pipline的處理方式中，其最核心的部分是屬於DM對話管理器中的DST(對話狀態追蹤)。它會在每一次對話中估計用戶的目標。對話狀態H_t表示到時間t為止的對話歷史的表示。這種經典的狀態結構通常被稱為槽填充或語義框架。然而傳統的方法是手工創建DialogueStates標籤訓練語料庫，在此基礎上訓練神經模型。其標記過程可能是昂貴的、緩慢的、容易出錯的，而且更重要的是，它不能覆蓋客戶服務的真實世界對話中的廣泛領域。
而最新提出的對話狀態歸納（Dialogue State Induction，DSI），是通過建立兩個神經潛變量模型，從未標註的客戶服務對話記錄中自動挖掘對話狀態。這樣的數據往往相對容易獲得，例如從不同企業的客戶服務呼叫記錄中獲得。想要深入了解DSI的朋友，8月11日晚8點，智東西公開課邀請到西湖大學文本智能實驗室助理研究員閔慶凱參與到「NLP前沿講座」第4講，帶來主題為《基於神經隱變量模型的對話狀態推理》的直播講解。
閔慶凱老師將從任務型對話系統中的對話狀態模塊的數據問題出發、詳解對話狀態推理任務的原理，並深入講解基於兩個神經隱變量模型的無監督對話狀態推理實現。感興趣的朋友不要錯過！
閔慶凱碩士畢業於南京航空航天大學，目前為西湖大學文本智能實驗室助理研究員，導師為張嶽研究員。他的主要研究方向為任務型對話系統，已在相關領域的國際頂級會議如EMNLP, IJCAI發表多篇論文。
課程內容
主題:基於神經隱變量模型的對話狀態推理
提綱：1.任務型對話系統中的對話狀態模塊的人工標註問題2.對話狀態推理任務的解析3.基於兩個神經隱變量模型的無監督對話狀態推理實現
講師介紹
閔慶凱，碩士畢業於南京航空航天大學，目前為西湖大學文本智能實驗室助理研究員，導師為張嶽研究員。主要研究方向為任務型對話系統，已在相關領域的國際頂級會議如EMNLP, IJCAI發表多篇論文。
直播信息
直播時間：8月11日晚上8點直播地點：智東西公開課小程序答疑地址：智東西公開課討論群
加入主講群
本次課程的講解分為主講和答疑兩部分，主講以視頻直播形式，答疑將在「智東西公開課討論群」進行。加入討論群，除了可以免費收看直播之外，還能認識講師，與更多同行和同學一起學習，並進行深度討論。掃碼添加小助手小語（ID：hilele20）即可申請，備註「姓名-公司/學校/單位-職位/專業」的朋友將會優先審核通過哦~