"人机对话是人工智能技术体系中一个很重要的分支领域，同时也是人工智能应用最广的场景之一。本书从人机对话的演进历程出发，从机器人的宏观架构到每个功能的微观细节，都进行了阐述。全书共 11 章：第 1、2 章介绍人机对话的发展史和人机对话的基础架构；第 3 ～ 8 章从用户语言理解、用户应答的方式、答案的生成三方面，详细介绍一套人机对话系统的构建方法；第 9、10 章介绍支撑人机对话系统构建所需的常用算法及模型相关的底层基础技能；第 11 章介绍以 ChatGPT 为代表的大模型在人机对话领域的运用。
本书可供具备人工智能领域先验知识的工程技术人员和对人机对话感兴趣的人士阅读和参考。
"

第 1 章 人机对话的前世今生
1.1 什么是人机对话系统 / 2
1.2 人机对话的演变 / 2
1.3 人机对话系统的类型 / 8
1.4 人机对话系统的运用场景 / 12
1.5 本章小结 / 14
第 2 章 人机对话系统的架构
2.1 总体架构 / 16
2.2 服务层概述 / 17
2.2.1 机器人管理模块 / 17
2.2.2 应答服务模块 / 19
2.2.3 模型服务模块 / 35
2.2.4 配置服务模块 / 39
2.2.5 统计分析与监控模块 / 40
2.3 本章小结 / 41
第 3 章 理解用户的自然语言
3.1 什么是自然语言理解 / 43
3.2 用户问题预处理 / 45
3.2.1 问题类型处理 / 46
3.2.2 分词处理 / 47
3.2.3 停用词处理 / 49
3.3 NLU 语义挖掘 / 49
3.3.1 实体信息 / 49
3.3.2 情感信息 / 51
3.3.3 意图信息 / 54
3.3.4 领域信息 / 56
3.3.5 垂直 / 开放领域信息 / 57
3.4 语义继承与澄清 / 58
3.4.1 语义继承 / 58
3.4.2 语义澄清 / 60
3.5 本章小结 / 62
第 4 章 应答对话管理：会话状态追踪
4.1 什么是 DST / 64
4.2 DST 结构 / 65
4.3 深入剖析 DST 结构 / 66
4.3.1 用户基本信息 / 66
4.3.2 当前对话信息之简单要素 / 67
4.3.3 当前对话信息之复杂要素 / 69
4.3.4 历史对话信息 / 74
4.4 DST 的存储形式 / 74
4.5 本章小结 / 75
第 5 章 任务型 DPL 引擎
5.1 任务型引擎与场景 / 77
5.1.1 基于场景实现的任务型 DPL 引擎 / 77
5.1.2 场景的结构 / 77
5.2 场景触发 / 80
5.2.1 场景触发方式 / 80
5.2.2 场景触发流程 / 82
5.3 交互流程组件 / 83
5.3.1 交互流程 / 83
5.3.2 交互流程的节点 / 84
5.3.3 交互流程的边 / 87
5.3.4 交互流程的图表达 / 88
5.4 场景交互 / 95
5.4.1 交互流程与交互流程实例 / 95
5.4.2 交互流程实例的状态 / 97
5.4.3 节点与节点实例 / 98
5.4.4 节点实例的状态 / 99
5.4.5 场景交互的推进时序 / 100
5.5 本章小结 / 101
第 6 章 任务型 DPL 引擎：场景流程推进详解
6.1 场景域处理 / 104
6.1.1 场景触发 / 104
6.1.2 获取场景信息 / 108
6.1.3 对话信息识别抽取 / 116
6.2 交互流程域处理 / 117
6.2.1 交互流程首次被触发的情形 / 118
6.2.2 交互流程的推进 / 121
6.2.3 交互流程已处于执行中的情形 / 127
6.3 节点域处理 / 127
6.3.1 选择节点执行器 / 128
6.3.2 节点执行 / 129
6.4 持久化设计 / 136
6.4.1 数据库表设计 / 136
6.4.2 场景数据配置 / 139
6.4.3 交互流程数据配置 / 141
6.5 本章小结 / 146
第 7 章 对话管理：其他应答 DPL 引擎
7.1 问答型 DPL / 148
7.1.1 基于规则问答 / 148
7.1.2 基于 FAQ 问答 / 151
7.1.3 基于知识图谱问答 / 158
7.2 闲聊型 DPL / 163
7.2.1 检索型闲聊应答 / 164
7.2.2 生成式闲聊应答 / 165
7.3 推荐型 DPL / 167
7.3.1 召回阶段 / 167
7.3.2 排序阶段 / 170
7.4 本章小结 / 171
第 8 章 答案的生成
8.1 基于固定文本的答案生成 / 174
8.2 基于模板的答案生成 / 175
8.3 基于生成模型的答案生成 / 176
8.4 基于标签的答案选择 / 184
8.5 答案决策 / 187
8.6 本章小结 / 189
第 9 章 推荐算法基础
9.1 词向量 / 191
9.1.1 One-Hot 词向量 / 191
9.1.2 Word2Vec / 192
9.1.3 GloVe / 196
9.2 序列标注类问题 / 198
9.2.1 什么是序列标注 / 198
9.2.2 解决序列标注的算法 / 198
9.2.3 基于序列标注解决的问题 / 204
9.3 文本分类 / 207
9.3.1 文本分类简介 / 207
9.3.2 文本分类的常用模型 / 208
9.4 序列生成 / 212
9.4.1 序列生成简介 / 212
9.4.2 序列生成模型 / 213
9.5 本章小结 / 218
第 10 章 模型训练与服务化
10.1 模型训练 / 220
10.1.1 什么是模型训练 / 220
10.1.2 模型训练的常用框架 / 221
10.2 模型推理 / 230
10.2.1 什么是模型推理 / 230
10.2.2 基于 TensorFlow 进行模型推理 / 231
10.3 模型部署与服务化 / 232
10.3.1 什么是模型部署 / 232
10.3.2 ONNX 开放模型交换格式 / 232
10.3.3 使用 ONNX Runtime 部署 ONNX 模型 / 233
10.3.4 模型服务化 / 234
10.4 本章小结 / 235
第 11 章 ChatGPT 带来的新机遇
11.1 ChatGPT 的诞生与演进 / 237
11.2 ChatGPT 的原理 / 238
11.2.1 Transformer 架构 / 238
11.2.2 GPT 系列模型 / 243
11.2.3 其他大模型介绍 / 248
11.3 大模型在 NLP 领域的应用场景 / 249
11.3.1 对话生成 / 249
11.3.2 文本匹配 / 250
11.3.3 分类任务 / 250
11.3.4 文本摘要 / 251
11.4 开发者如何使用大模型 / 252
11.4.1 提示词工程 / 252
11.4.2 使用 LangChain 开发大模型应用 / 256
11.5 ChatGPT 面对的挑战 / 260
11.5.1 偏见与幻觉 / 260
11.5.2 数据隐私问题 / 262
11.6 本章小结 / 262