Machine learning 在构建聊天机器人时，机器学习和深度学习有什么区别？

更具体地说，传统的聊天机器人框架由3个组件组成：

NLU（1.2.实体识别）

对话管理（1.DST 2.对话政策）

NLG 我只是感到困惑，如果我使用深度学习模式（

seq2seq

，

lstm

，

transformer

，

注意力

，

bert

）来训练聊天机器人，它是否涵盖了所有这三个部分？如果是的话，你能更具体地解释一下它与这三个部分的关系吗？如果没有，我如何组合它们

---

例如，我构建了一个封闭域聊天机器人，但它只是面向任务的，无法处理问候语等其他部分，也无法处理共指消解问题（它似乎没有对话管理）。

您的问题似乎可以分为两个较小的问题：

机器学习和深度学习之间的区别是什么

深度学习是如何影响聊天机器人框架的三个组成部分的

对于#1，深度学习是机器学习的一个例子。把你的任务想象成一个绘图问题。您可以变换数据，使其在绘图上具有n维表示。该算法的目标是创建一个函数，该函数表示在绘图上绘制的一条线，该线（理想情况下）将点彼此清晰地分开。图形的每个扇区表示您想要的任何输出（可以是类/标签、相关单词等）。基本的机器学习在“线性可分”问题上创建了一条线（即，很容易划出一条清晰地划分类别的线）。通过创建一个非常、非常、非常复杂的函数，深入学习使您能够解决线路可能不太干净的问题。要做到这一点，您需要能够为映射函数引入多个维度（深度学习就是这样做的）。这是一个非常表面的深度学习，但这应该足以处理你的问题的第一部分

对于#2，一个很好的快速答案是，深度学习可以成为聊天机器人框架每个组件的一部分，具体取决于您的任务有多复杂。如果简单的话，那么经典的机器学习可能足以解决您的问题。如果这很难，那么你可以开始研究深入学习的解决方案

由于听起来您希望聊天机器人能够超越简单的输入输出匹配，并处理复杂的语义（如共指解析），因此您的任务似乎非常困难，是深入学习解决方案的理想选择。我不会太担心为每个chatbot框架步骤确定一个特定的解决方案，因为每个步骤中涉及的任务通过深入学习相互融合（例如，深度学习解决方案不需要对意图进行分类，然后管理对话，它只需要从数十万个类似的情况中学习，并应用最相似的响应的变体）

我建议将此问题作为翻译问题来处理-但不是从一种语言翻译到另一种语言，而是从输入查询翻译到输出响应。翻译通常需要解决相互引用问题，人们用来解决的解决方案可能是一种理想的做法

以下是一些优秀的资源，可供阅读，以确定您的问题以及如何解决问题：

• 谷歌的
• 与BERT的任务

---

您的问题似乎可以分为两个较小的问题：

机器学习和深度学习之间的区别是什么

深度学习是如何影响聊天机器人框架的三个组成部分的

对于#1，深度学习是机器学习的一个例子。将您的任务视为一个绘图问题。您转换数据，使其在绘图上具有n维表示。该算法的目标是创建一个函数，该函数表示在绘图上绘制的线（理想情况下）清晰地将点彼此分开。图形的每个扇区表示您想要的任何输出（可以是类/标签、相关单词等）。基本机器学习在“线性可分”问题上创建一条线（即，很容易画一条清晰地将类别分开的线）。通过创建一个非常、非常、非常复杂的函数，深度学习使您能够解决线可能不那么干净的问题。为此，您需要能够为映射函数引入多个维度（这就是深度学习的作用）.这是对深度学习的一个非常表面的了解，但这应该足以处理问题的第一部分

对于#2，一个很好的快速答案是，深度学习可以成为聊天机器人框架每个组件的一部分，具体取决于您的任务有多复杂。如果简单，那么经典的机器学习可能足以解决您的问题。如果困难，那么您可以开始研究深度学习解决方案

由于听起来您希望聊天机器人能够超越简单的输入输出匹配，并处理复杂的语义，如共指解析，因此您的任务似乎非常困难，是深入学习解决方案的理想选择。我不太担心为每个聊天机器人框架步骤b确定特定的解决方案因为这些步骤中涉及的任务通过深度学习相互融合（例如，深度学习解决方案不需要对意图进行分类，然后管理对话，它只需要从数十万个类似的情况中学习，并应用最相似的响应的变化）

我建议将这个问题作为翻译问题来处理——但不是从一种语言翻译到另一种语言，而是从输入查询翻译到输出响应.Tran