第一，我能保证每一个答案都可读性比较好，它自己至少可以撑一句，这个句子因为客观存在，必然合理，因为我是从网上挖的，所以说这句话可能是可读性可以保证的。

第二，因为我们有大量的数据源，只要你能控制得了，你能索引，没问题的话，我对于任何一个问题都能保证回复的多样性，至少不只是一个了。

第三，这个模型因为结构非常清晰，每一个模块拆解得比较细，debug 起来就很容易了。也就是说一个产品出了问题，我能相对比较快地定位到具体是哪个模块吃了问题，具体到哪个代码出了问题，这都比较容易。

对它来说，很难做的是什么呢？就是我刚才说的，你要让开，你要找问题和答案，然后重新排序，这个事情不像大家想象得那么简单，不像 IR 检索系统那么简单。详解请见知乎 Live

自动聊天系统中的主要问题及解决方案

其实在这个之前，我们铺垫一下，深度学习对于聊天系统来说意味着什么？深度学习现在是一个显学，就是好像大家都挺懂深度学习的，包括可能会有一些之前不知道是干什么的人现在也很懂深度学习，很奇怪。

聊天机器人中我们可以认为是深度学习一个非常好的实验场所，这里面我们实验了很多方法确实行之有效，而且我们清楚地知道有效的点是什么。但是也有一些方法看起来有效，其实并没有那么简单，我们需要做很多的事情，让它真的像传说中的那么有效。

这里面从浅到深，我们列了这么一个关系。比如说最浅层的就是词向量。比它深一层的是各种 NN，CNN、RNN 等等这些东西。刚才说的代表着第二个技术框架的生成序列的方法，还有交换学习，以及还有很多，最近比较火的是对抗学习，可能还有别的。反正深度学习各种方法，就和锤子一样，我拿了就砸一下，看看能不能砸开，砸得开是好东西，砸不开不一定是因为你的模型不好，可能是因为你对模型的理解不够。

第一，生成的答案和回复应该是能够引申出更多的聊天的轮数的，也就是说，在它这个基础上，更有可能用户回复说，我不知道，或者是随便，就是这样没有什么影响下一轮的对话的话，那这一轮的生成就是失败的。

第二，生成的东西，要能推动聊天的进展，而不是重复前面的内容，所以说，它要跟前面的信息有一个趋重的关系在。

第三，更重要的是说，生成的回复应该是语义上强相关于 query 的，强相关到什么程度，应该是反向也能生成回去。它把这三个 reward 加在一起，加权平均一下，直播，就是最后定义的 reward，剩下的东西就是故事了，大家都比较熟悉了。详解请见知乎 Live

目前面临的主要挑战

最主要的其实是目前的数据集不统一，训练数据还好一点，测试集非常不统一。公开的训练集有这么几个，一个是从无关图下来的很大的数据集，在这里面，也是我们做了一个它的子集，这个字迹在主题性上，以及整个对话质量上更高一些，现在也是有好几个论文在用这个集合。

接下来的挑战就是说，机器人自主聊天、基础聊天、主题聊天、以及任务型对话无缝切换。你不能要求人就跟我聊这个，你切换了以后得告诉我一下，不能这样的。所以说，他在无缝切换的时候，机器是否能判断，也实现无缝的切换，这是一个很难的点。详解请见知乎 Live

以上就是本次公开课的所有关键内容。

本次课程完整音频与 PPT，请点击「极客公开课·Live」第八期