这种做法能够在特定领域下降低对话难度，从而让机器人执行合适的动作。
另外，对话管理模块（Dialog Management）是任务机器人的核心模块之一，也是对话系统的大脑。传统的对话管理方法包括基于FSM、Frame、Agenda 等不同架构的，各适用于不同的场景。
基于深度强化学习的对话管理法，通过神经网络将对话上下文直接映射为系统动作，如此更加灵活，可通过强化学习的方法进行训练，但需要大量真实的、高质量标注的对话数据来训练，只适用于有大量数据的情况。
对话机器人的应用
对话机器人在人类的“苛求”下越来越智能，有人甚至预言在未来五到十年耗时耗力的沟通将会被机器人取代。对话机器人的应用实践正在逐步证明这一点。
目前，对话机器人主要适用于三类场景：
1.自然对话是唯一的交互方式
- 车载
- 智能音箱
- 可穿戴设备
2.用对话机器人替代人工
- 在线客服
- 智能IVR
- 智能外呼
3.用对话机器人提升效率和体验
- 智能营销
- 智能推荐
- 智能下单
我们可以通过在线营销转化需求度和在线交互需求度两个维度来考量适合对话机器人落地的领域。
不过，在技术上来讲，让机器真正理解人类语言仍然是一个艰难的挑战。对于搭建对话机器人，也许可以参考以下建议：
- 选择合适的场景并设定产品边界；
- 积累足够多的训练数据；
- 上线后持续学习和优化；
- 让用户参与反馈；
- 让产品体现出个性化。
