我有一个可以处理预定义消息的聊天应用程序。该数据库有大约 80 个预定义对话，每个对话有 5 个可能的响应。为了澄清这一点，这里有一个例子:
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: ...
假设用户会选择R3:“我不知道。愚蠢的问题”
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: ...
每个响应都有 5 个可能的响应；之后，对话将结束，必须开始新的对话。
回顾一下，我有 80 个手动编写的对话，每个对话都有 5 个可能的响应，深度为 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(例如这些对话)的最准确方法是什么？
我研究了RNN:Karparthy's RNN post 。 虽然 RNN 可以在旧内容的基础上制作新内容，但新内容相当随机且无意义。
为了更好地了解这些对话的用途，请访问http://getvene.com/并观看预览视频。
最佳答案
我可能会从生成文本模型开始。有一个不错的article使用 Python 和 Keras(不过，您也可以使用 LSTM 递归神经网络 TensorFlow )。有了一组良好且丰富的训练数据，该算法确实可以产生非常有趣的文本输出。正如上面文章提到的，有一个Gutenberg项目中您可以免费找到大量免费书籍。这应该提供足够数量的训练数据。然而，由于您可能已经使用过 RNN，我将继续进行下去。
接下来是问题和可能的响应之间的关系。这告诉我，你们的对话中涉及某种语义。这意味着它不是随机的，生成的响应至少应该尝试“适应”某种相关的响应。类似于 Latent Dirichlet Allocation要根据数据找到适当的类别和主题，但以相反的方式 - 基于主题(问题)，您需要至少找出某种相关的数据(响应)。也许可以通过某种方式将生成的文本分成许多部分，然后对这些部分进行矢量化并使用类似 Document Distance 的内容。找到最接近匹配的算法？一个也可以派上用场的想法是 Latent Semantic Analysis因为事实上，从单词/向量矩阵中，您需要尽可能地减少矩阵，同时仍然保留相似性。
关于text - 准确的文本生成，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/44524279/