主要是看了知乎上面一位作者写的解析，然后自己在看的过程中顺带记录一下，流程差不多，自己写的话复习比较直观快速
1、Query是用户输入的问题
2、DM（对话管理模块）层：
这一模块分为：状态追踪（对句子进行处理CQU+UU+SU）+对话策略（确定使用后续哪个功能）
状态追踪=s=(Qc,C,eQ,eR)=CQU(带背景query理解)+UU(用户理解)+SU(系统理解)
C是对话背景；
Qc是利用C对用户当前queryQ进行改写；
eQ是用户相关的各中心信息，如当前情绪、对话题的观点、个人资料等；
eR是小冰的信息，和上面类似。
CQU=实体识别+指代消解+句子补全
UU = 基于Qc和C产生eQ，包括话题+意图+情感+观点+个人资料
SU = eR，有些直接从UU拷贝，如话题等。
对话策略=依据更新后的对话状态来决定接下来的策略，也即决定这个信息是交由哪个功能处理，是核心闲聊还是某个技能。激活某个功能后，这个功能也会有自己的对话策略或者流程，来最终决定返回什么信息作为回复，称为分层决策
优化过程：RL模型和EE策略
3、核心闲聊(Core Chat)
这一块分为两类：通用闲聊(一般性信息)+领域闲聊(带主题)
话题管理(Topic Manager)：分类模型。继续当前话题还是开启新话题(无法产生有意思回复或用户对当前对话感觉无聊) 新话题：话题库是利用一些高质量论坛爬取的数据构建，检索+排序：与背景信息相关性+新鲜度+用户感兴趣+流行度+接受度+boosted tree
通用闲聊：图示就是说的检索+排序
检索主要是产生response候选集，这些候选集再由排序模块进行排序。方法有三种：Paired-Data based Retriever(PDR)+Neural Response Generator(NRG)+Unpaired-Data based Retriever(UDR)
PDR：系统收集了很多query-response对（网上各种平台+小冰日志），检索器从这些qr中检索出最相关的一些候选，获取的qr使用同理心计算模块（模块2）转化成s，然后基于小冰的人设和其他规则过滤掉不合适结果。线上使用时，Qc作为检索输入，然后利用关键词搜索和语义搜索从候选库中检索出400个最相关的qr对，PDR产生的response效果很好，但覆盖面比较小。
NER：使用了标准的GRU-RNN seq2seq框架，训练数据就是收集的qr对，输入上除了Qc外，还会使用eQ,eR，
然后把v注入到解码器的每个时间点。
NRG使用beam search产生20个response。覆盖面广，效果差，生成文本一般比较短。
UDR：从网上的公开演讲和新闻报道收集unpaired句子。和PDR不同，UDR中只有候选response数据，而没有对应的query数据。所以线上使用光靠query是无法确定哪些候选response更合适，q和r之间需要一个桥梁。解决方案是引入知识图谱KG来搭起这座桥。
处理过程：
- 识别Qc中包含的所有话题
- 对于每个话题，从KG中检索出20个最相关的话题。最相关是利用boosted tree模型排序得到，模型的训练数据是人为标注。
- query中的所有topic和上一步检索的topic一起作为检索输入，从收集的unpaired的数据集中检索出400个最相关的句子作为候选response。
UDR的候选质量没有PDR好，但覆盖面更广。UDR的结果比NRG生成的结果包含更多文字。
排序：PDR\UDR\NRG生成所有的候选response，利用boosted tree模型统一排序，最终的response基本是最高的那一批结果。=局部凝聚力（DSSM）+全局凝聚力（DSSM）+同理心匹配（计算期望eR之间的匹配度）+检索匹配（BM25、TF-idf、DSSM）
编辑回复：无法回复时，口语化表述
4、对话技能（Skills）
=图片评论(Image Commenting)+内容创建(Content Creation)
+互动(Deep Engagement)+任务完成(Task Completion)
图片评论：用户发图---检索和生成候选response---排序，具体过程如下
- RR首先从社交网站上收集图片、评论对，对输入图像首先量化(CNN)等，然后检索出3张最相思图片，对应评论就是候选评论了。
- GR（Generator-based Retriever）就是image-to-text的结构，只是会融入对生成结果的情感和形式要求
- Ranker boosted tree模型
内容创建：用户设置条件，小冰创建(具体框架不知)
互动：小冰和用户一起做情绪和智能方面的互动
任务完成：
