摘要
对话模型是自然语言理解和机器智能中一个很重要的任务．以前存在的方法都基于特定领域并且需要写规则．这个论文使用最近提出的seq2seq框架来处理对话模型．它可以从数据中学习到知识，但是也存在这人格不一的缺点．
模型
模型使用了Sequence to Sequence Learning with Neural Networks中模型，只是将翻译数据换成问答对．目标函数没有考虑到人类交流的目的，缺乏一致性和知识是无监督模型的另外一个缺点．
数据集和模型结果
基于IT领域帮助问答数据
这个模型的perplexity可以达到8，而以前的系统为18．
基于电影数据
这个模型的perplexity可以达到17，而以前的系统为28．
人类评估结果
总结
这个文章展示了seq2seq框架可以用于做对话系统，不仅可以生成流畅的回复，还可以从噪音的开放领域数据集中提取知识．
链接
论文 A Neural Conversational Model
注释
所有数据，图表均来源于论文．