任务机器人实现原理
首先，通过自然语言理解（NLU）分析用户的输入，进行分词，实体识别，语义分析，意图分类，指代消解，省略恢复等操作；然后，进入对话管理（DM）环节，维护对话的历史状态和当前状态，根据语义理解反馈的信息，决定下一步的对话走向。根据DM产生的信息，通过自然语言生成（NLG）自动生成回复语句，通常的做法是设定回复的模板，替换模板中的变量。
输入：用户语句
输出：机器人应答
处理过程：
- 结合上下文进行意图识别
- 抽取用户语句中的实体slot
- 根据状态机流程返回应答
一个基于状态机的对话管理系统，并采用xml做为流程描述语言。
通常有condition、choice、collect、action四个对话组件
利用状态机，可以实现多轮会话中的上下文状态记忆，还可以实现多任务并行处理而互不影响，比如在订机票的时候，问一句“查天气”，2个任务可以自由切换。
意图识别检索方案
意图识别-分类方案
参考谷歌基于Attention的Transformer模型，摒弃了固有的定式，并没有用任何CNN或者RNN的结构，训练效率和泛化能力很大提升。
智能订票业务场景
任务型对话机器人是目前用的较多且较为成熟的领域，通过语音方式与机器人实现对话交互，完成差旅过程中的提单、审批等多种场景应用。
目标明确：对话的过程，就是为了获取完成特定任务所需要的信息，即信息采集和获取的过程；
多轮交互：通过多轮对话，获取多个参数信息，符合实际情况；
其主要业务流程如下：
（1）参数信息获取：始发地、目的地、出发时间、车次；实现用户在差旅申请的提单语义分析，获取关键提单要素后同步触发差旅管理系统的提单接口
（2）查询结果展示和订单确认：执行订单；触发APP对应的消息通知应用，通过语音方式进行审批动作
意图：订机票
出发地：北京
目的地：上海
时间：明天下午（2017/01/2013:00-18:00）
数量:1
（未完待续），以上是对任务型机器人原理和典型应用的一个实现总结，更多详细资料和商业应用可具体咨询容联AI文本和语音交互机器人团队：
