如果是图像识别是计算机视觉中应用最广泛的技术。那在NLP领域中，对话系统可以说是NLP领域目前已知最扎实的落地场景了，整个流程都脱离不了NLP的核心技术。甚至有人说，自然语言处理是AI皇冠上的明珠，那么对话系统就是「NLP皇冠上的明珠」。
从天猫精灵到小爱同学，国内大厂围绕对话系统也开发了一系列明星产品，如果你是自然语言处理的爱好者，那么这节公开课你必然不可错过。5月26日的《HelloWorld公开课》，清华大学博士后郑老师将带你拆解对话系统的核心技术难点。
对话系统分类
对话系统根据应用场景分类可以化为任务型、闲聊型、问答型三类，这三类在不同的应用场景和业务中都有广泛的应用。
任务型：有任务目标，需要参数化请求，常用在智能助手、智能会议系统、地图导航、IOT设备、智能音箱等领域。
闲聊型：开放、无特定目标，主要应用在配料机器人，儿童故事机等
问答型：以知识获取为任务目标，主要应用在智能客服、智能问答系统等领域
根据回复生成方式类型也可以分为检索式对话系统与生成式对话系统，这两种对话系统原理之前HelloWorld公开课有详细介绍，感兴趣的同学可以去看之前课程的回放视频呦
任务型对话系统
试想一下，你想要买一张从北京到上海的飞机票，你会去点智能客服去询问，都有几点的飞机票，价格都是什么样的，这就是一个典型的任务型对话系统。核心原理如下图所示
这张原理图乍看起来很复杂，有很多专属名词，下面我们来具体解释一下这些都是什么意思。自然语言理解（NLU）分领域识别、意图识别、槽值填充三个部分，举个例子，当你向客服询问从北京到上海的火车是几点呢？
这句话中，领域就是指火车，意图是查询这个动作，语义槽是北京（出发地）和上海（到达地）。其中领域识别和意图识别常用的人工智能模型有SVN、CNN、CNN-LSTM、BERT等等。语义槽填充常用的模型有CRF、BiLSTM、BERT+CRF等。但NLU目前也面临着诸多挑战
比如意图识别与槽值检测联合学习、上下文相关的自然语言理解、小样本学习、OOD检测、可扩展性等。举个例子，意图识别与槽填充不是相互独立而是紧密联系的，传统独立的建模意图识别和槽填充，既会引出错误级联，也无法利用共有的知识。