我有一个可以使用预定义消息的聊天应用。数据库有大约80个预定义的对话，每个对话有5个可能的响应。为了澄清，这是一个例子：
Q: "How heavy is a polar bear?"
R1: "Very heavy?"
R2: "Heavy enough to break the ice."
R3: "I don't know. Silly question."
R4: ...
R5: ...
让我们说用户会选择 R3：＆＃34;我不知道。愚蠢的问题＆＃34;
然后该响应将有5个可能的响应，例如：
R1: "Why is that silly?"
R2: "You're silly!"
R3: "Ugh. I'm done talking to you now."
R4: ...
R5: ...
每个回复都有5个可能的回复;之后，对话将结束，并且必须开始新的对话。
回顾一下，我有80个手动编写的对话，每个对话有5个可能的响应，深层3层=总共10,000条消息。
我的问题：使用机器学习自动生成更多对话的最准确方法是什么？
我研究过RNN：Karparthy's RNN post。 虽然RNN可以根据旧内容制作新内容，但新内容非常随意且毫无意义。
为了更好地了解这些会话的使用情况，请访问http://getvene.com/并观看预览视频。
答案 0 :(得分：4)
我可能会从生成文本模型开始。有一个很好的article使用Python和Keras（但是你可以使用LSTM递归神经网络和TensorFlow）。通过丰富而丰富的训练数据，该算法确实可以产生非常有趣的文本输出。如上文所述，有一个Gutenberg项目，您可以免费找到大量免费书籍。这应该提供足够数量的培训数据。但是，由于你可能已经玩过RNN，我会继续进行。
接下来是question和可能的responses之间的关系。这告诉我你的对话中涉及某些语义。这意味着它不是随机的并且生成的响应应该至少试图“适应”某种相关的响应。像Latent Dirichlet Allocation这样的东西可以根据数据找到合适的类别和主题，但是以相反的方式 - 基于主题（问题），您需要找出至少某种相关的数据（响应）。也许某种方法可以将生成的文本拆分成许多部分，然后对这些部分进行矢量化并使用类似Document Distance算法的方法来查找紧密匹配？一个也可以派上用场的想法是Latent Semantic Analysis，因为事实上，从字词/向量矩阵中你需要尽可能多地减少矩阵，同时仍然保留相似性。
答案 1 :(得分：3)
我建议使用PPDB http://www.cis.upenn.edu/~ccb/ppdb/重新定义您的短语以扩展您的训练数据。查看本文例如：https://www.aclweb.org/anthology/P/P16/P16-2.pdf#page=177您可以使用类似的方法重新措辞每个句子。