对话系统已经越来越引起人们的注意。其根据应用可以分为任务型对话系统和非任务型对话系统。任务型对话系统，通常是为了帮助用户完成某些特定任务，例如查找产品、订票、控制家电等。这类任务需要维护一个系统状态，知晓当前用户的意图、完成任务还需要的信息等，最后确定用户实际任务需求并执行。

目前任务型对话的处理方式有pipline和端到端两种结构。在pipline的处理方式中，其最核心的部分是属于DM对话管理器中的DST(对话状态追踪)。它会在每一次对话中估计用户的目标。对话状态H_t表示到时间t为止的对话历史的表示。这种经典的状态结构通常被称为槽填充或语义框架。然而传统的方法是手工创建DialogueStates标签训练语料库，在此基础上训练神经模型。其标记过程可能是昂贵的、缓慢的、容易出错的，而且更重要的是，它不能覆盖客户服务的真实世界对话中的广泛领域。

而最新提出的对话状态归纳（Dialogue State Induction，DSI），是通过建立两个神经潜变量模型，从未标注的客户服务对话记录中自动挖掘对话状态。这样的数据往往相对容易获得，例如从不同企业的客户服务呼叫记录中获得。想要深入了解DSI的朋友，8月11日晚8点，智东西公开课邀请到西湖大学文本智能实验室助理研究员闵庆凯参与到「NLP前沿讲座」第4讲，带来主题为《基于神经隐变量模型的对话状态推理》的直播讲解。

闵庆凯老师将从任务型对话系统中的对话状态模块的数据问题出发、详解对话状态推理任务的原理，并深入讲解基于两个神经隐变量模型的无监督对话状态推理实现。感兴趣的朋友不要错过！

闵庆凯硕士毕业于南京航空航天大学，目前为西湖大学文本智能实验室科研助理，导师为张岳研究员。他的主要研究方向为任务型对话系统，已在相关领域的国际顶级会议如EMNLP, IJCAI发表多篇论文。