以此開題，並不是一定要做一款對話機械人，只是做事一定要以目標為驅動，目前所要研究的語義方向是乙個太大的方向，是乙個讓人完全摸不到頭腦的方向。因此，選取其中乙個分支作為切入點，開始我的認知過程。在這個過程中，我會不斷更新我的認識，以聊天機械人開篇，結尾處也許會面目全非！
總結下來，其實我們更需要的是乙個語音助手。
通過上面的得出的結論，對我們想要的東西，應該有個模糊的想象，我覺得就是那個樣子，沿著這個思路，繼續其明確我們的目標與實現途徑。
這一層的存在，其實是將網際網路上雜亂無章的資料，進行各簡單的分類，可能會用到一下三種方式：
人工維護錄入資料（不做細說）
第三方開放平台介面資料
垂直爬蟲爬取資料
細說垂直型網路爬蟲
推薦幾個資料獲取的**：
數字聚合層的資料，其實還是一些原始資料，是下一步針對性抽取的前提。
這一層體系，基本上是在有行業資料的基礎上，進一步的對興趣點進行提煉。基本也分為三個方向：
文字挖掘
從狹義的角度看，文字挖掘是不做推理的，但現在挖掘技術總是和深度學習結合在一起的。
協同過濾
深度學習
資料探勘層的輸出，就是各種各樣的知識庫，是語義系統能夠用到的最直接的東西。
這一層很好理解，其實更接近我們目前所能理解的東西。文字分析之後，去相應的知識庫尋求問答。例如，對於乙個機械人對話系統，你說一句話，語音轉成文字之後，根據文字的分詞、句法、語義分析結果，去對應的語言庫中，尋求或自動生成最合理的應答。對於語音助手，那麼先分析出，需要哪樣的知識庫，在去相應的知識庫中尋求結果，或回一句話，或放個**，或開個空調，等等等等。介紹下知識庫：
通用知識庫
專用知識庫
社會化**庫
語義庫和規則庫
知識庫，是我們要做這件事的重中之重，或購買第三方，或自己進行訓練提取，難度呵呵噠！！！
這一步的假設是需求的資源都能獲取到。
已做乙個聊天機械人為例，講述一下如何通過上述架構來實現：
資料探勘層，那麼如何獲取這些資料呢，可以通過購買或者是爬蟲技術進行爬取。因為這些東西屬於使用者隱私，在使用爬蟲進行爬取的時候可能需要一些黑客的技術融入其中，針對很多大的資料**是有反爬機制的，還要想辦法繞過這一關。在此實現的基礎上，對對話內容進行nlu的分詞、句法分析等操作，並將輸出結果，作為深度神經網路的輸入，進行訓練。得到一套應答機制4。
知識庫層，利用3輸出的結果，構建應答的語義和規則庫
引擎層， 這一部分包括語音識別（聲音轉文字），語義理解引擎（對文字進行分詞和句法分析，將分析結果輸入上面訓練的神經網路，得到答覆），語音合成（將輸出的結果最終的讀出來）。
解決方案層， 構建乙個聊天機械人的應用，包括ui介面和互動邏輯等。
整個上面的過程，實際上是我乙個門外漢，對整個我們要做的事情的乙個理解的過程。
文字挖掘
協同過濾
語義理解
社會化**
聊天機械人
我你好！小愛同學 小愛你好，很高興認識你！charset utf 8 css document 休息一會 sleep 1 獲取 使用者傳送的 訊息 可選 後端 對於 使用者發過來的 時候 是否 使用 可選 根據 傳送 過來的 訊息 返回 不同的內容 messagelist array 床前明月光，有...
機械人聊天軟體c C 聊天機械人
例項簡介 c 聊天機械人 例項截圖 核心 3181078聊天機械人 原始碼必讀.pdf 聊天機械人 1.ico 聊天機械人 1.ico form1.designer.cs form1.cs form1.resx program.cs properties assemblyinfo.cs resour...
聊天機械人ELIZA
1 在 自然語言理解 這本書的緒論中曾分析了聊天機械人eliza的設計機理，表明這是一種語言變換的技巧，而不是真正的 自然語言理解 午間休息時檢索了一下，找到了乙個它的連線 它並不如書中所舉的例子那樣的 聰明 也許因為這是第乙個聊天機械人，以及它並沒有真正採取 自然語言理解 的技術有關。下面是筆者與...