在經過了(NLU)用戶語言分析和對話模型生成(policy module)後,產生了相應的槽值對,例如
所以,重要的是,是根據槽值對,產生相應的系統回答話語,來反饋給用戶,我們可以將上述系統產生的動作產生如下的輸出。
所以,關鍵的步驟便是如何根據槽值對來產生對應的語言。
第一種也是根據傳統的模板的方法,利用正則表達式,
系統決策是從本體庫中查詢用戶相對應的所需數據,例如根據i want a cheap restaurant 來產生相應的用戶動作後,從系統對應的本體庫中查詢,產生與用戶動作相同的系統動作,隨後根據系統動作填充對應缺省的地方即可。這種方式較爲笨拙,無法適用於大型網絡。
而以下采用的方法便是根據傳統的深度學習方法。利用RNN的LSTM的長短型記憶,來產生話語。具體這裏不進行展開。