生活中自然鼻更能戳中大多数人的审美，毕竟没有普通人会像网红一样长时间面对镜头，她们为镜头感定制的网红鼻在现实中太显假，但自然鼻不是变化小、甚至看不出变化自然鼻指的是医生能够根据你的五官、脸型特点，设计出符合你气质的鼻型，这个鼻子只适合你，放在其它人身上就会显假，这才叫做“定制化”！虽然市面上很多医生都宣称自己擅长“定制化手术”，但从我多年的从业经验来看，真正能做出定制化效果的医生太少，因为定制化考验的不仅仅是医生的隆鼻技术、经验，更考验的是医生的审美。而这，是大部分医生不具备的素养，他们能做的，只是流水线式的生产，所以现在也才会有很多做隆鼻效果不好、效果显假的人。我建议大家在做隆鼻功课时，多放一些精力在医生的选择上，毕竟我们术前所做的所有功课，其实都可以说是在为这个目的服务，因为医生靠谱，他肯定不会缺客户，也就不至于坑蒙拐骗让你手术，你适不适合手术他会告诉你，你适合什么术式，需要增加什么项目，应该用什么材料，他也会告诉你，甚至最后出来的效果会是什么样，他已经在过去做过的案例中见到很多次，选择这样的医生主刀，手术效果才会有保障！我经常会被很多来咨询的妹子问到渠道医院和医生，临床上也遇到过很多去渠道医院做失败来问我修复的人，有些人注定只有撞了南墙才会回头，只有真正做过、效果不好后，才明白你当时说的是对的！在医院医生选择上，大家的困难点应该是情况是没有太多渠道去了解一家医院一位医生真实的评价，很多朋友想做隆鼻手术，却连自己当地有哪些医生能做隆鼻都不清楚，更不用说对比择优进行选择了，所以我建议大家先从下方鼻部整形数据库中查一查，看看你想做的这项手术，你当地有哪些擅长的医生，提前了解不同医生的基本信息：下面正式进入鼻部美学板块，我们说一个鼻子好不好看，是根据鼻部各个美学点综合得出的综合评价但究竟哪里好看 / 不好看很多人说不上来，所以今天从鼻部各个美学点来分析好看的鼻子应该具备哪些特征，怎样根据不同的脸型基础来调整。先来看看鼻子的结构一个好看的鼻子，鼻根的起点一定要最先考虑，鼻起点也经常被叫做山根起点（一）山根隆鼻手术只要垫高鼻背，鼻起点一定会变高鼻起点上移会让鼻子变长，最直接的影响是中庭变长，中庭一长年龄感就上去了杨子姗也踩过隆鼻后变的过分成熟、少女感弱化的坑脸型正常情况下，适中的鼻起点应该在两眼正视前面的瞳孔连线上这是最符合亚洲人的高度，即使是被称为隆鼻模板的张柏芝和董洁鼻起点也一样这两套案例的鼻起点也是在这个高度除了标准外，还有非标准的高鼻起点和低鼻起点可选择，要知道的是鼻起点不是想做高就做高，想做低就做低，要结合眉弓、额头、眼窝、中庭长短综合决定。从侧面照看热巴眉弓其实不算高，但鼻骨发育好，导致眉弓和山根衔接突兀，鼻起点很高高鼻起点让她的五官更立体，更有英气，当然看起来更成熟，她的鼻子只适合放在自己脸上IU的脸型偏短，比较圆润，眉弓低，眼窝浅，鼻起点就应该低一些，这样才更显幼态、更甜美，如果这种脸部基础做热巴同款高鼻起点鼻子，会很突兀，不协调。所以在确定鼻起点时，不能天马行空凭想象，要结合自己基础，判断自己适合那种类型。你不清楚，但给你做手术的医生应该要清楚，这又要说回，大家一定要找一位经验丰富、审美优秀的隆鼻医生，你可以少操太多心说到底，手术前所有的功课最后的落脚点都是医生，医生靠谱，你适不适合隆鼻他能正确判断，你适合那种风格、应该用什么材料他也能确定，甚至最后能达到什么效果他以前的案例早就见过很多但是难点就在于很多人不知道哪家医院最靠谱、哪个隆鼻医生技术最好，可以从下面的鼻部整形数据库中查询，直接获取你当地的资料▼▼▼（二）鼻额角鼻额角，就是字面意思，鼻子和额角的夹角。生活中，很多隆鼻的人她们的鼻子显假很大一部分是因为鼻额角。接近180的鼻额角，你好，通天鼻~即使真的有原生鼻长成这样，但生活中肯定也有被问过很多次是不是做过鼻子？鼻额角在120°-130°之间鼻型最容易好看好看的侧面绝对不是平平淡淡才是真，应该有起伏，有弧形鼻部最大的两个转折点是鼻额角、鼻唇角，这两个点做的不优秀，鼻子白瞎鼻额角过渡方式有两种，一种有明显转折，通过折角过渡；一种无明显转折，全弧形过渡。案例一、二分别是两种过渡方式，有转折会给人传递一种硬朗，英气，进攻性强的信息；全弧形过度就柔和很多，进攻性弱化不少。（三）鼻唇角字面意思，鼻子和嘴唇之间的夹角男生在90°-95°之间比较正常，女生在95°-100°之间比较正常鼻唇角太大，正面看会露鼻孔，也就是朝天鼻如果鼻小柱还短，视觉上还会表现为嘴凸鼻唇角太小，鼻尖下垂而且显长，像鹰钩鼻随着鼻唇角往正常值的缩小，朝天鼻也在不断减弱（四）鼻背驼峰驼峰鼻本身是用来形容一类先天畸形鼻，因为鼻骨和鼻软骨过度发育，互相挤压，在鼻梁上形成了”小驼峰“，这样的鼻型就叫驼峰鼻。驼峰鼻不会对呼吸、嗅觉这种正常生理功能造成影响。最近两年爆火的“驼峰鼻”，很大程度上要归功于刘亦菲、迪丽热巴、董洁...这些颜值出众的驼峰鼻明星，驼峰能增添英气，让人更有气场，也更有辨识度。案例一、二后天做的驼峰鼻和原生驼峰鼻在形成上完全不同，后天做成的驼峰鼻是在假体/软骨材料雕刻中先雕刻出驼峰形状，植入后自然就形成了驼峰。五官立体，长相突出，驼峰做的稍高一些是完全OK的但五官不那么立体，做驼峰就要注意了，最好就做的小小的不要太突出，否则容易喧宾夺主，把人的目光都汇聚在驼峰上，就会像畸形鼻一样显得奇怪。（五）鼻尖上区转折鼻尖上区转折是因为鼻翼软骨穹窿部和鼻背之间形成高度差，当高度差达到6-7mm及以上，皮肤比较薄的时候，转折就会比较明显。而隆鼻做这个小转折无非是想增加鼻子的真实性以及美感，两个案例都能做出这种转折做这个转折不是拿一块软骨往鼻尖一套就行需要延伸鼻中隔软骨、重建鼻头、用真皮或者自体软骨重塑鼻尖、植入假体、切除鼻翼软骨外侧脚头部这些项目是鼻尖塑形的基本项目，所以我说鼻头鼻尖塑形在一套隆鼻手术中基本要耗时一半。现在的主流医生中也有蛮多能做出这种过度感的，这个过度的稍柔和了一些这个就要明显的多（六）鼻头鼻尖目前整圈比较流行的鼻头肯定是盒型鼻头，先看鼻头内部结构支撑鼻头的是像翅膀一样的鼻翼软骨和鼻中隔软骨而鼻尖的形态会通过鼻尖四个表现点传达，整个鼻子看起来像是一个“棱形”的盒子。天生的盒型鼻头是由于鼻翼软骨发育的太好，所以分的太开，鼻翼软骨穹窿部出现两个突出点这两个点在鼻尖表现点上，盒型鼻头，从高度、翘度来说，都比球型盒型鼻头更立体更优秀，如果长相立体，偏混血风，搭配一个盒型鼻头的确很出彩。但亚洲人天生软骨发育不如欧美人，所以球形鼻头的人居多，甚至还配合着肉鼻头五官不够立体，那就不去凑盒型鼻的热闹了，搭上一个立体精致的盒型鼻只会突兀像网红七七这样的鼻头肥大基础就要做鼻头缩小，缝合拉近鼻翼软骨如果鼻尖不够高，还得在鼻小柱做支架，撑高鼻尖，方便鼻尖塑形（七）鼻尖下小叶鼻尖下小叶，不能一马平川只有一个表现点，这样的鼻子容易审美疲劳，不够耐看鼻尖下小叶要么饱满要么富有转折，能够为一个鼻子增加很多看点。而且鼻尖下小叶的形状和鼻头形态有很大关系如果鼻尖下小叶一马平川，鼻小柱不够饱满，那正面效果就差点意思可以把鼻头分为V形和U形，U形五官不立体出彩容易显得呆滞，所以我更喜欢V型的鼻头效果，不容易出错。鼻尖下小叶还影响海鸥线形状，牵一发而动全身（八）鼻尖下小叶与鼻小柱很多情况下我们重视了正面效果，容易忽略不经常看到的鼻孔、鼻小叶和鼻小柱尽管正面和侧面效果更立体，但这样的鼻子并不好看，因为仰视时鼻小叶、鼻小柱比例错误，鼻孔形状奇怪，像在鼻头戴了个帽子。虽然我们不用鼻孔看人，但最基础的比例关系不对，心里也膈应亚洲人鼻小叶和鼻小柱最佳的比例应该是1：2，仰视时，鼻底的形状是等边三角形，而鼻孔的轮廓是水滴形才是一个好看又标准的鼻子。爱你的心形这样的鼻孔真的不要再出现了，这还是一位医生放在自己首页的案例展示，服了。（九）鼻翼符合三庭五眼的正常比例肯定是第一要求，如果长相非常标准鼻翼的宽度=一只眼睛的长度=两内眼角的宽度鼻翼还可以分为短鼻翼和长鼻翼，各有千秋我更喜欢长鼻翼，圆润、甜美，不会显得太成熟鼻翼容易出现的问题不只是鼻翼肥大，还有可能是鼻翼后缩、下垂、不对称、鼻孔窄小这些问题都可以通过鼻翼相应手术矫正。尽管我文章写了这么多鼻部各个美学点但一个鼻子好不好看不只是看鼻部某个细节够不够亮眼，是在纵观鼻部整体后，得出的综合评价。如果想按照各个美学点抠图式的隆鼻，做出来的效果不一定能和自己五官搭配上做出一个好看的鼻子真的不难，市面上很多医生都OK但根据不同人做出不同的鼻子放在不同的人脸上不突兀，能和五官搭配，能突出每个人的个性，有特点的鼻子难。希望大家找到的都是适合自己的医生，也只有这样才能确保术后效果是你喜欢如果你不了解所在城市有哪些擅长隆鼻的公私立医生，提前从下面数据库中查询，了解不同医院医生每年真实的手术量，好/差评反馈，收费标准、案例效果这些信息，链接放在下面了▼
希望这些小知识能解答你们一些疑惑，对你们有帮助，那也不枉我的长篇大论！

为什么 ChatGPT 能够引发轰动？它在技术上与此前的人工智能产品有哪些不同？泻药。对话系统开发者来从对话系统领域来答一下这个问题。从技术上看，ChatGPT获得这么好的效果，原因在于架构上用prompt端到端地解决了困扰对话系统领域多年的多目标开放域问答难题。对话系统基本上可以分为任务型对话系统和非任务型对话系统，非任务型对话系统往往称为聊天机器人（Chatbot），可以根据目标进一步分为许多下游分支，例如社交机器人和情感机器人等。有多个目标的聊天机器人就叫做多目标聊天机器人。任务型对话系统是为了完成某项任务，例如要订一张去迪士尼的机票，就可以交给任务型对话系统去做。注意，任务型对话系统有非常特定的目标集合（intent set），而且这个集合是closed-domain的，因此不能随便聊话题。ChatBot一般是open-domain的，有一个大致的倾向性，例如社交机器人希望能尽可能长地维持对话时间，情感机器人希望能让人类对话者获得情感收益。ChatGPT是一个典型的非任务型对话系统，而其最成功之处就在于在多目标（多任务）上均实现了很高的性能。通过调整prompt，ChatGPT被开发出了social能力、情感交流能力、写代码能力、讲故事能力等，这是绝大多数对话系统无法做到的。换句话说，纯生成式模型通过prompt tuning体现出的巨大潜力赋予了生成式大模型解决多目标问题的能力。以往的对话系统，想要做到多种能力的整合往往需要训练多个“专才”对话机器人，然后在模组的最前面加一个intent adapter来识别应该使用哪个对话机器人。这样的实现存在诸多问题，例如用户在对话中途可能转变目标，也可能一句话里出现多个目标。因此，近期的对话系统尝试将多目标open-domain对话系统建模成一个end-to-end多轮问答问题。也就是说，如果能把模型中所有模块都做成可微的神经网络，那么训练的时候loss可以从输出直接回传到输入，从而实现参数的端到端更新。这个流派的首发模型是GPT-3，我也用GPT-3实现了比较初级的end-to-end对话模型。但是GPT-3的历史记忆能力不强，而且能完美解决的任务数量并不是很高，因此没有引起广泛的关注。直到OpenAI察觉到了GPT系列模型在对话系统中的应用，通过针对性的contextualized QA finetuning，才成功实现了在大多数任务上的SOTA效果。对话系统的本质就是多轮QA，而QA又是NLP任务中最难，也是最有价值的任务之一。OpenAI商业和技术上的对接体现在将GPT-3进一步规划成一个需求极高的对话模型ChatGPT。从商业的角度看，这其实是一个公司对于供给（GPT-3的能力）和需求（市场对数据系统的需求）的精准把握。如果你对对话系统还不熟悉，我转译了一篇survey如下。转译自 忆臻：对话系统综述：新进展新前沿，添加了部分英文释义及个人思考原文链接：https://arxiv.org/pdf/1711.01731.pdf摘要对话系统已经越来越引起人们的注意。对话系统的最新进展绝大多数是由深度学习技术所贡献的，这些技术已经被用来强化各类大数据应用，如计算机视觉，自然语言处理和推荐系统。对于对话系统，深度学习技术可以通过利用大规模数据来学习有意义的特征表示和回复生成策略，同时只需要极少量手工特征。在这篇文章中，我们从不同视角，对近期对话系统的进展进行概述，并讨论一些可能的研究方向。具体而言，我们将现有对话系统大致分为了面向任务型与非面向任务型两种模型，然后描述深度学习是如何利用表示算法提升现有性能，最后讨论一些引人注目的、可以带领对话系统研究进入新的高度的研究方向。1 引言长久以来，拥有一个有着足够智能的虚拟助手或聊天伴侣系统看上去都是虚幻的、是存在于科幻电影中的情节。最近，人机对话因其潜力巨大，诱人的商业价值而备受关注。随着大数据和深度学习技术的发展，创建一个自动人机对话系统作为我们的个人助理或聊天伴侣的目标不再是一种幻想。一方面，我们可以很容易地获取互联网上的对话“大数据”，从而对于（几乎）任何输入学习如何回复。这使我们可以建立数据驱动的，开放域的人机对话系统。另一方面，深度学习技术已经被证明在识别大数据中的复杂模式上是有效的，并且已经驱动了许多研究领域的研究工作，如计算机视觉、自然语言处理和推荐系统。因此，大量的利用深度学习和海量数据来促进对话系统发展的文献涌现出来。图1 任务型导向对话系统的传统传递途径根据其具体应用，对话系统大致可以分为两类：（1）面向任务的系统（task-oriented dialog system）和（2）非面向任务的系统（也称为聊天机器人 chatbot）。面向任务的系统旨在帮助用户完成某些任务（例如查找产品，预订住宿和餐馆）。如图1所示，广泛应用于面向任务的对话系统的方法是将对话回复作为一个流水线来处理。系统首先理解人类给出的信息，将其表示为一个内部状态，然后根据策略和对话状态选择一些动作，最后把动作转化为自然语言的表达形式。尽管语言理解是通过统计模型来处理的，但是大多数已部署的对话系统仍然使用人工特征或人工编写的规则来处理状态和动作空间的表示，意图检测和槽填充。这不仅使得部署真正的对话系统耗费大量时间，而且还限制了其在其他领域进行使用的能力。最近，许多基于深度学习的算法通过学习高维分布式特征表示来缓解这些问题，并在一些方面取得了显著的进步。此外，还有尝试建立端到端的面向任务的对话系统，这种对话系统可以扩展传统流水线系统中的状态空间表示，并有助于生成任务特定语料库以外的对话。非面向任务的系统在与人类交互过程中提供合理的反应和娱乐。通常，非面向任务的系统致力于在开放域与人交谈。虽然非面向任务的系统似乎在进行闲聊，但是却在许多实际的应用程序中占有一席之地。 如[98]所示，近80％在线购物场景中的对话都是闲聊消息，而处理这些信息与用户体验密切相关。一般而言，针对非面向任务的系统开发了两种主要方法——（1）生成方法，例如seq2seq模型，其在对话过程中产生适当的回复;（2）基于检索的方法，学习从数据库中选择当前对话的回复。表1 自然语言表达的一个说明例子近年来大数据和深度学习技术的发展，极大地推动了面向任务型和非面向任务型的对话系统的发展，促进了对话系统中大量的基于深度学习的研究。在这篇文章中，我们的关注点是（1）概述对话系统，尤其利用深度学习的最新进展；（2）讨论可能的研究方向。文章的剩余部分的组织如下。在第二节中，我们回顾了面向任务的对话系统，包括流水线和端到端的方法。在第三节中，我们首先介绍包括当下流行模型和热门研究课题等的神经生成方法; 然后详细介绍基于检索的方法。在第四部分，我们通过一些研究方向的讨论进行总结。2 面向任务的对话系统 Task-oriented Dialog System面向任务的对话系统一直是口语对话系统的重要分支。在本节中，我们将回顾面向任务的对话系统的流水线方法和端到端方法。2.1 流水线方法 Pipelined Method基于流水线的面向任务的对话系统的典型结构如图1所示。它包含了四个关键部分：语言理解。它被称为自然语言理解（NLU），它把用户话语解析为预定义的语义槽。对话状态跟踪器。它管理每一轮的输入与对话历史，输出当前对话状态。对话策略学习。它根据当前对话状态学习下一步动作。自然语言生成（NLG）。它将选择的动作映射到其表层，生成回复。在接下来的小节中，我们将详细介绍每个部分的SOTA算法。2.1.1 语言理解给定一句话，自然语言理解将其映射到语义槽(semantic slot)中。这些槽都是根据不同场景预设而成。表1展示一个自然语言表示的例子，其中“New York”是一个语义槽的值的位置，并且还确定了其领域和意图。通常我们需要进行两种类型的表示。第一种是句子级别的分类，例如用户意图和句子种类。第二种是词级别的信息抽取，例如命名实体识别和槽填充。意图检测是用来检测用户的意图的。它把一句话分类为预先设定的意图之一。深度学习技术已经陆续应用于意图检测[10;73;99]。特别地，[19]采用卷积神经网络（CNN）提取询问向量表示询问分类的特征。这种基于CNN的分类框架也类似于[22]和[64]。相似的方法同样被用于领域的分类中。槽填充是口语语言理解的另一个具有挑战性的问题。与意图检测不同，槽填充通常被定义为序列标注问题，其中句子里的词语被标上语义标签。 输入是由一系列单词组成的句子，输出是一个槽/概念的索引序列，每个单词一个。[11]和[10]使用深度信念网络（DBN），与CRF方法相比取得了优异的结果。[41;102;56;100]使用RNN进行槽填充。由NLU生成的语义表示由对话管理模块进一步处理。典型的对话管理部分包括两个阶段——对话状态跟踪和策略学习。2.1.2 对话状态跟踪跟踪对话状态是确保对话系统鲁棒性(robustness)的核心组成部分。它会在每一轮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。在大多数商业实现中被广泛使用的传统方法通常采用手工制定的规则来选择最可能的结果[17]。然而，这些基于规则的系统容易出现频繁的错误，因为最可能的结果并不总是理想的结果[88]。统计对话系统在有噪声的条件和模糊性下[104]，维护了对真实对话状态的多重假设的分布。在对话状态跟踪挑战（DSTC）[87;86]中，生成结果的形式是每轮对话每个语义槽的值的概率分布。各种统计方法，包括复杂的手工制定规则[80]，条件随机场[28;27; 53]，最大熵模型[85]和网络风格排名[88]都出现在了对话状态跟踪挑战（DSTC）的共享任务中。最近，[20]引入了信念追踪(belief tracking)的深度学习。 它使用一个滑动窗口输出任意数量的可能值的一系列概率分布。虽然它是在某一个领域的训练出来的，但它可以很容易地转移到新的领域。[48]开发了多领域RNN对话状态跟踪模型。它首先使用所有可用的数据来训练一个非常泛化的信念跟踪模型，然后对每一个特定领域利用这个泛化模型进行专门化，从而学习领域特定的行为。[49]提出了一个神经信念跟踪器（NBT）来检测槽值对。它将用户输入之前的系统对话动作，用户话语本身以及一个候选的需要判断是否出现的槽-值对作为输入，通过遍历所有的槽-值对来判断哪些已经被用户所表达出来。2.1.3 策略学习以从状态跟踪器获得的状态表示作为条件，策略学习将产生下个可用的系统动作。无论是监督学习还是强化学习都可以被用于优化策略学习。通常，基于规则的智能体将被用于热启动系统[86]，然后利用规则生成的动作进行监督学习。在在线购物场景中，如果对话状态是“推荐”，那么“推荐”动作将被触发，系统将会从产品数据库中检索产品。如果状态是“比较”，系统则会比较目标产品/品牌[98]。对话策略可以通过进一步端到端的强化学习进行训练，以引导系统朝着最终性能做出决策。[9]在对话策略中利用深度强化学习，同时学习特征表示和对话策略。该系统超过了包括随机、基于规则和基于监督学习的基线方法。2.1.4 自然语言生成自然语言生成将抽象的对话动作转化为自然语言的浅层表达。正如[68]中提到的，一个好的生成器通常依赖于几个因素：充分性、流畅性、可读性和变化性。NLG的传统方法通常采用句子规划。它将输入的语义符号映射为中间形式的表示，利用树状或者模板结构，然后把这些中间结构通过表层实现来转化为最终的回复[77;69]。[81]和[82]引入了基于神经网络（NN）的NLG方法，其基于LSTM的结构类似于RNN LM [42]。对话动作类型和槽-值对被转化为一个1-hot控制向量，作为附加的输入，来确保生成的句子表达确定的意图。[81]使用一个正向RNN生成器，一个CNN重排器与一个后向RNN重排器。所有的子模块通过共同优化来产生以固定对话动作为条件的句子。为了解决在表层实现中槽信息缺失和重复的问题，[82]使用了额外的控制单元来门控对话动作。[72]通过利用对话动作来选择LSTM的输入向量，扩展了这一方法。这个问题后来通过多步调整扩展到多领域场景[83]。[110]采用基于编码器-解码器的基于LSTM的结构来结合问题信息，语义槽值和对话动作类型来生成正确答案。它使用注意力机制来关注解码器当前解码状态的关键信息。通过编码对话动作类型嵌入，基于神经网络的模型可以生成许多不同动作类型的回复答案。[14]还提出了一种基于seq2seq的自然语言生成器，可以被训练用于利用对话动作输入来产生自然语言和深度语法树。这种方法后来利用之间用户的话语和回复进行了扩展[13]。它使模型能够使用户适应（说话）的方式，从而提供适当的回复。2.2 端到端方法传统的面向任务的对话系统尽管有许多领域特定的手工操作，但这导致其很难适应新的领域[4]；[107]进一步指出，面向任务的对话系统的传统流水线方法还有两个主要缺陷。一个是分数分配问题，最终用户的反馈会很难传到上游模块中。第二个问题是处理相互依赖问题。每个模块的输入都依赖于另一个模块的输出，当调整一个模块到一个新环境或者用新数据进一步更新，所有其他模块都要进行相对应的调整以保证全局的优化。槽和特征可能也会相对应的改变。这种过程需要大量的人工操作。随着近年来端到端生成模型的不断发展，进行了许多端到端可训练的用于面向任务的对话系统的框架的尝试。请注意，当我们介绍非面向任务的系统时，将会关注于神经生成模型的更多细节。端到端模型不再使用传统的流水线，而是使用一个模块，并使其与结构化的外部数据进行交互。[84]和[4]引入了一个基于神经网络的端到端可训练的面向任务的对话系统。这个系统将对话系统的学习当做学习一个从对话历史到系统回复的映射，利用编码器-解码器模型训练整个系统。然而，这个系统是以监督学习方式进行训练的——不仅需要大量的训练数据，而且由于缺乏对训练数据中对话控制的探索，也可能无法健壮地找到一个好的策略。[107]首先提出了一个端到端的强化学习方法，在对话管理中共同训练对话状态跟踪和政策学习，以便更好地优化系统动作。在对话中，智能体询问用户一系列是/否问题来找到正确的答案。这种方法在应用于关于猜测用户脑海中想着的名人的面向任务的对话问题时体现出良好效果。[36]将端到端系统作为完成任务神经对话系统，其最终目标是完成一项任务，如电影票预订。面向任务的系统通常需要在外部知识库上进行查询。之前的系统是通过向知识库产生符号化查询，利用其属性检索相关条目来实现。这种方法通常利用在输入上做语义分析来得到表示智能体对用户目标的信念[84;90;36]。这种方法有两个主要缺点：（1）检索结果不包含任何有关于语义分析不确定性的信息，（2）检索操作是不可导的，因此分析器与对话策略需要分别训练。一旦部署系统，这会使得从用户反馈中进行在线端到端学习变得十分困难。[15]受启发于键-值记忆网络[44]，通过一个在知识库条目上可导的基于注意力的键-值检索机制来增强现有循环神经网络结构。[12]将符号化询问替换为在知识库上一个导出的表达哪些条目用户较感兴趣的“软”后验概率。将软检索过程与强化学习相结合，[89]将RNN与特定领域知识相结合与系统回复模板相结合。3. 非面向任务的聊天系统与面向任务的对话系统旨在为用户完成特定任务不同，非面向任务的对话系统（也被称作聊天机器人）关注于在开放域上与人类进行交流[54]。一般来说，聊天机器人是通过生成方法或者基于检索的方法来实现的。生成模型能够产生更加适当的，在语料库中从未出现过的回复；而基于检索的模型则有着得到更富有信息与流畅程度的回复的优势[23]，因为它们通过回复选择算法，从存储库中为当前对话选择了一个适当的回复。在接下来的章节中，我们将首先介绍近年来最流行的研究注意之一——神经生成模型，并讨论其缺点和可能的改进。然后，我们介绍在基于检索的模型中深度学习的最新进展。3.1 神经生成模型如今，Twitter和Reddit等社交媒体网站上可以进行大量的对话交流，提高了构建数据驱动模式的前景。 [54]提出了一种基于短语的统计机器翻译的生成概率模型[105]，以模拟微博上的对话。它将应对问题视为一个翻译问题，需要翻译成一个回复。然而，生成回复被发现翻译语言要困难得多。这可能是由于有大量看似合理的回复同时缺乏与输入之间短语的对齐关系造成的。在机器翻译中深度学习的成功应用，即神经机器翻译，激发了神经生成对话系统研究的热情。在下面的小节中，我们首先介绍序列到序列（seq2seq）模型，神经生成模型的基础。然后，我们将讨论热门的研究课题，包括结合对话上下文，提高回复的多样性，建模主题和个性，利用外部知识库，交互式学习和评价。3.1.1 序列到序列模型给定一个包含T个词的原序列（消息）和一个包含T'个词的目标序列（回复），模型需要最大化给定X，生成Y的概率：。特别地，序列到序列模型（或seq2seq）是一种编码器-解码器结构。图2展示了这种结构。图 2 Encoder-Decoder 结构编码器依次读入X个词，利用循环神经网络（RNN）将其表示为一个上下文向量c，然后解码器利用c作为输入估计生成Y的概率。RNN编码器计算上下文向量c可以写做：其中 h_{t} 是第t时刻的隐藏状态，f是一个非线性方程，比如长短期记忆单元（LSTM）[18]和门循环神经网络（GRU）[7]。c就是最后一个词的隐藏状态 h_T 。解码器是一个标准的RNN语言模型，加上额外的条件上下文向量c。第t时刻候选词的概率分布 P_{t} 可被计算为：其中 s_{t} 是RNN解码器t时刻的隐藏状态， y_{t-1} 是t-1时刻回复的词。seq2seq的目标函数被定义为：[2]通过加入注意力机制来提高性能。这种方法通过观察每个Y中的词与X中不同部分的联系，对于Y中的每个词生成不同的上下文向量c。特别地， y_{t} 对应一个上下文向量 c_{i} ，而 c_{i} 是一个的加权平均：其中 \alpha_{ij} 的计算方法是：其中g是一个多层感知机(MLP)。[61]将循环神经网络编码器-解码器框架[7]应用于生成Twitter风格的微博网站回复，而[74]利用了[40]中相似的模型。总体而言，这些模型利用了神经网络来表示对话历史和生成合适的回复。这些模型可以利用大量数据来学习有意义的自然语言表示和生成策略，同时只需要极少量的领域知识和手工操作。3.1.2 对话上下文考虑之前对话的能力是建立可保持对话活跃的对话系统的关键。[67]通过连续表示或单词和短语嵌入来表示整个对话历史（包括当前消息），从而解决了上下文敏感的回复生成的挑战。回复通过RNN语言模型[42]生成，与[7]中的解码器相同。[58]使用层次模型，首先捕捉个别话语的含义，然后将其整合为话语。[96]通过注意机制[2]扩展了分层结构，以倾向于句子内部和之间的重要部分。这分别通过词级别的注意力机制和句子级别的注意力机制得到。[71]在现有的方法（包括非层次和层次模型）之间进行了系统的比较，提出了一个在上下文中利用上下文查询相关性加权的变体。它发现（1）分层循环神经网络通常优于非分层循环神经网络，（2）神经网络具有上下文信息，往往会产生更长，更有意义和多样化的回复。3.1.3 回复多样性在当前的序列对话系统中，一个具有挑战性的问题是，它们倾向于产生意义不大的普通或不重要的、普适的回答，而这些回答往往涉及到“我不知道”或者“我很好”这样的高频率短语[67;74;58]。这种行为可以归因于泛型回答往往有相对较高的频率，例如会话数据集中“我不知道”，而相反，有更多信息的回答相对稀疏。 减轻这种难题的的一个有希望的方法是找到一个更好的目标函数。[30]指出，神经模型在优化极大似然目标函数时，分配高概率给安全的回答时。 他们使用最大相互信息（MMI），这是最初在语音识别领域引入的[3; 5]的优化目标。 它测量了输入和输出之间的相互依赖关系，并考虑了消息回复的逆向依赖性。 [101]结合逆文档频率（IDF）[55]到训练过程来评价回复的多样性。一些研究认识到解码过程是冗余候选回复的另一个来源。 [62]和[34]认识到beam-search在波束中产生候选时缺乏多样性。 [62]引入了一个随机的beam-search程序，而[34]增加了一个用于beam-search评分的术语来惩罚搜索中同一父节点的同胞扩展。[30;67; 62]进一步执行了具有全局特征的重新排序步骤，以避免产生沉闷或一般的回复。 [47]推测，问题不仅在于解码和回复频率的目标函数，而且消息本身可能也缺乏重放的足够信息。 它提出使用逐点互信息（PMI）来预测名词作为关键词，反映答复的主要依据，然后生成一个包含给定关键字的答复。另一系列工作着重于通过引入随机隐变量来产生更多不同的输出。 他们表明，自然对话不是确定性的 – 对同一信息的答复可能会因人而异。 但是，当前回复是从确定性编码器 – 解码器模型中采样的。 通过整合隐变量，这些模型的优点是，在生成时，他们可以通过首先对隐变量的分配进行采样，然后确定性地进行解码，从分布中采样回复。 [6]提出了针对一次性对话回复的隐变量模型。 该模型包含一个解码器P（Y
z，X）中的随机分量z，其中z遵循变分自编码器框架进行计算[26;25;65]。 [59]将隐变量引入分层对话建模框架[58]。 隐变量的设计是为了做出高层次的决定，如话题或情感。 [57]通过学习一系列隐变量来扩展这种方法，其中下一个话语的隐变量只以先前的隐变量序列为条件。 [63]将隐变量限定在显式属性上，以使隐变量更易于解释。 这些属性可以手动分配，也可以自动检测这些主题和个性。3.1.4 主题和个性显式地学习对话的内在属性是改善对话多样性和保持一致性的另一种方法。在不同的属性中，主题和个性被广泛探索。[95]注意到，人们经常把他们的对话与主题相关的概念联系起来，并根据这些概念创建他们的回复。他们使用Twitter的LDA模型来获得输入的主题，将主题信息和输入表示形式加入联合注意模块中，并产生与主题相关的回复。这个在解码器上的改进在[94]取得了较好的结果。[8]对这个问题做了更全面的泛化。他们将对话中的每个话语分类到一个领域，并据此产生下一个话语的领域和内容。[109]将情绪嵌入到生成模型中，并在困惑度中取得了良好的表现。[51]给系统一个身份，使系统可以一致地回答个性化问题。[31]进一步考虑用户的信息，以创建一个更现实的聊天机器人。由于训练数据来自不同的说话者，因此[106]提出了一种两阶段训练方法.该方法使用大规模数据对模型进行初始化，然后对模型进行微调以产生个性化的回复。[45]使用迁移强化学习来消除不一致。3.1.5 外部知识库人类对话与对话系统一个重要区别是它是否与现实相结合。结合外部知识库（KB）是一种有可能弥补对话系统与人类之间背景知识差距的方法。记忆网络是处理利用知识库完成问答任务的经典方法。因此，将其用于对话生成任务中也是比较自然的。[16]在此之上做了尝试，并在开放域对话中取得了不错的成绩。[75]也通过在多模态空间中进行CNN嵌入和RNN嵌入，在有背景知识下展开开放域对话，并在困惑度上取得了进步。根据外部知识产生一个问题的答案是一个类似的任务。与一般方法中在知识库中检索元组不同，[103]将知识库中的词与生成过程中常见的词相结合。实证研究表明，所提出的模型能够通过参考知识库中的事实来产生自然而正确的答案。3.1.6 交互式对话学习通过交互来学习是对话系统的最终目标之一。[35]利用两个虚拟智能体模拟对话。它们定义了对描述一个较好的对话的汇报的一个简单的启发式的估计：好的对话是有前瞻性[1]或者交互式的（当前轮为下一轮对话铺垫），是信息丰富的和连贯的。一个RNN的编码器-解码器所有参数定义了一个在无穷大的动作空间上从所有可能的话语中进行选择的策略。智能体是通过策略梯度方法[91]来优化由开发者定义的长期奖励，而不是通过标准seq2seq的MLE目标函数来学习策略。[32]进一步试图提高机器人从交互中学习的能力。通过对文本和数字反馈使用策略学习和前向预测，该模型可以通过（半）在线方式与人进行交互来提高自身性能。由于大多数人类在对答案并不自信时通常会要求提供一些澄清或者提示，所有机器人拥有这种能力也是相当自然的。[33]定义了机器人在回答问题时遇到问题的三种情况。与不采用提问的实验结果相比，这种方法在一些情况下有了很大的改进。[29]在谈判任务中进行了探索。由于传统的序列到序列模型模拟人类的对话没有优化具体的目标，这项工作采取了面向目标的训练和解码方法，并展示了一个有价值的视角。3.1.7 评价评估生成回复的质量也是对话回复生成系统的重要方面之一[37]。面向任务的对话系统可以根据人类生成的监督信号进行评价，如任务完成测试或者用户满意度[76;46;24]，然而，自动评价非面向任务的对话系统的生成回复质量仍然是一个开放的问题。尽管BLEU，METEOR和ROUGE等词汇重叠度量方法被广泛用于评估生成的回复；[37]发现，这些度量以及由Word2Vec[43]等词嵌入模型导出的词嵌入度量方法与人的判断几乎没有联系，尽管词嵌入度量能够在多个数据集之间显著区分基线和SOTA的模型。[70]提出使用两个神经网络模型，通过一系列的每轮对话级别的特征来给对话的成功率打分来进行评估。3.2 基于检索的方法基于检索的方法即通过从候选回复中选择一个回复。这种方法的重点在于信息-回复的匹配(Matching)，这样的匹配算法必须能够克服消息与回复之间语义的差异。（译者注：就是推荐系统那一套）3.2.1 单轮回复匹配早期基于检索的聊天机器人主要是通过在单轮对话中进行回复选择来完成的[78]。具体来说，文本和候选回复被分别编码为向量，然后利用这两个向量来计算匹配分数。假设x是消息的向量表示，y是回复的向量表示，在x和y之间进行匹配的函数可以写成一个双线性匹配：其中A是一个预先设定的矩阵，或者更为复杂。[39]提出了同时结合本地与隐式层次结构信息的一个基于DNN的短文本回复选择模型。[21]利用深度卷积神经网络学习消息与回复的表示，或是直接学习两个句子交互的表示，利用多层感知机计算匹配分数改进了这个模型。[79]提取了依存树的匹配特征，利用这些特征当做one-hot向量的输入，送入前馈神经网络进行文本-回复的匹配。[92]集合Twitter LDA模型生成的主题向量，送入基于CNN的结构来利用富文本提升回复性能。3.2.2 多轮回复匹配最近，多轮基于检索的对话引起了越来越多的关注。在多轮回复的选择中，当前消息和之前的对话将被作为输入。模型会选择与整个文本最相关且自然的回复。这样，在之前的对话里识别重要信息、对对话的关系建立合适模型来保证对话一致性就变得十分重要。[38]通过RNN/LSTM的结构，编码了整个上下文（把之前所有的对话和当前用户的话拼接起来）和候选回复，作为上下文向量和回复向量，然后基于这两个向量计算匹配分数。[97]利用不同策略在之前出现的对话中选出一些话语，结合当前消息生成一个重组的上下文。[111]不仅仅在词级别上下文向量中进行上下文-回复匹配，而且还在句子级别的上下文向量中进行。[93]进一步提高了利用对话之间的关系和上下文信息来匹配回复的方法。这种方法通过卷积神经网络，得到多种不同粒度的文本，然后在时序上利用循环神经网络进行累加，来建模句子之间的相关性。3.3 混合方法结合生成方法和基于检索的方法可以显著提高性能。[66]和[52]尝试结合这两种方法。基于检索的系统通常可以给出一个精准但是不流利的方法，而基于生成的系统则倾向于给出一个流利但是没有什么意义的回复。在集成模型中，通过检索得到的候选回复，与原始消息一起送入基于RNN的回复生成器，再将最终的回复重排。这种方法结合了基于检索和生成的模型，得到了更加优秀的性能。[60]综合了自然语言生成，检索模型，包括基于模板的模型、词袋模型、seq2seq神经网络和隐变量神经网络，应用强化学习学习众包数据和真实世界用户的交互从而从集成模型中选择一个合适的回复。4. 讨论和结论深度学习已经变成了对话系统的基础技术。研究人员将神经网络应用于传统的面向任务的对话系统的不同模块，包括自然语言理解，自然语言生成，对话状态跟踪。近年来，端到端框架不仅在非面向任务的聊天对话系统中，而且在面向任务的对话框架中也变得流行起来。深度学习能够充分利用大量数据，并有望建立统一的智能对话系统。它正在模糊面向任务的对话系统和非面向任务的系统之间的界限。特别的，聊天对话由序列到序列模型直接建模。任务完成模型也正朝着端到端可训练方式发展，通过强化学习表示整个状态-动作空间，并结合整个流水线。值得注意的是，目前的端到端模型还远未完善。尽管有上述成就，但问题依然存在。接下来，我们讨论一些可能的研究方向：迅速热身。虽然端到端模型已经吸引了最近绝大部分的研究注意力，但是在实际的对话工程中，尤其是在新领域的预热阶段，我们仍需要依靠传统的流水线方法。日常对话数据是相当“大”的，但是对于特定领域的对话数据是相当有限的。此外，特定领域的对话数据的收集和对话系统的构建都是十分耗费人力的。基于神经网络的模型在利用大量数据方面表现更好。我们需要新的方式来弥合热身阶段的不足。值得注意的是对话智能体有能力自己从与人的交互中进行学习。深度理解。目前基于神经网络的对话系统主要依赖于大量不同类型的注释数据，结构化的知识库和对话数据。它们通过一次又一次模仿一个回复来学习说话，就像婴儿一样，这导致回复缺乏多样性，而且有时是没有意义的。因此，对话智能体应当通过对语言和现实世界的深度理解来更加有效地学习。具体来说，一项很有潜力的工作是，对话智能体能够从人的指导中学习，摆脱反复的训练。由于互联网上有大量的知识，如果对话智能体更聪明一些，就够利用这种非结构化的知识资源来理解。最后但依然很重要的一点，对话智能体应该能够做出合理的推论，找到新的东西，分享跨领域的知识，而不是像鹦鹉一样重复这个词。隐私保护。许多的对话系统应用服务于大量的人。而值得注意的是，我们所有人正在使用同一个对话助手。通过交互、理解和推理来学习的能力，对话助手可能会不经意地隐式地储存一些敏感信息[50]。因此，在建立更好的对话系统的同时保护用户隐私也是一个十分重要的问题。

休闲的时候我自己是挺喜欢听书的，毕竟整天对着电脑手机，眼睛实在太累了。不过很多书籍和文章都没有电子读物，想要听的话就只能靠语音朗读软件了。这里就分享我一直在用的5个语音朗读工具，建议收藏哦，免得要用的时候找不到了！一、Edge浏览器Windows电脑自带的Edge浏览器，其实就是一个语音朗读工具。当我们使用这个浏览器浏览网页，或者阅读TXT、PDF等文件时，可以右键点击页面， 选择【大声朗读】，即可启动语音朗读功能，运用微软的AI技术朗读页面上的文字。开启该功能的时候，点击右上角的【语音选项】，还可以设置朗读的语速，并且能切换不同的音色，用起来很方便。二、布谷鸟配音看名字就知道了，这是一款专业的配音软件，其中就有很全面的语音朗读功能。打开软件的【智能配音】，通过输入文字或者导入文件的方式，就可以快速把文字转为语音。并且可以设置多音字、段落间隔、语速语调等效果。同时，软件的一大特色在于可以设置多发音人，为不同的文字设置不同的音色效果，体验很不错！软件内置了上百款不同的音色可以选择，包括女声、男声、外语、方言、童声等，标注了语音的音色特点，并且可以试听，帮我们快速找到自己喜欢的音色。软件不仅支持朗读文字，还能朗读网页和图片，只需要输入网页链接、导入图片，即可进行语音朗读的操作，非常方便！三、WPSWPS是我们平时常用的文档工具，支持阅读和编辑多种文档文件。但是你也许还没发现，它其实也有语音朗读的功能。打开文档之后，点击【审阅】-【朗读】功能，即可对文档内容进行文字朗读，同时，在右上角的语音工具栏里，可以设置音量、语速、语调，并且可以把语音导出为文件。四、百度AI开放平台这个网站是百度推出的AI技术平台，拥有多种AI技术的相关功能，其中就包含把文字转为语音的AI语音合成功能。打开语音合成功能，即可输入文字进行语音朗读操作。网站可以设置多种男声、女声的语音，并且调节音量、语速等。不过每次转换的时候会有字数限制，一次只能转200字。五、iPhone朗读屏幕iPhone、华为等一些手机现在也有语音朗读的功能，这里以iPhone为例。打开手机的【设置】-【辅助功能】-【朗读内容】，勾选【朗读所选项】、【朗读屏幕】的功能，就可以开启所需要的功能了。当我们需要语音朗读的时候，就可以直接用手势启用该功能！以上是今天要分享的全部内容，希望我的回答能够帮助到大家！最后，如果你觉得我的内容还不错，就给我点赞支持一下吧~欢迎关注我 @职场小马 ，我会继续分享各种实用小技巧和有趣的内容给你们。咱就是说，到现在也没能找到所谓最好的语音朗读软件……不过倒是可以分享下小弟自用下来对耳朵友好的5款语音朗读软件，手机端、电脑端均有涉及，想找好用的语音朗读软件的朋友们快快看过来啦～1.微信读书手机、电脑网页端均可使用一个由腾讯推出的免费电子阅读平台，其中便有“听书”这一工具，可以听真人或是AI语音朗读书中内容。点击任意书籍，或是导入本地的txt/docx/pdf等格式的文档朗读对应文字内容；点击阅读页右下角的“听”图标，即可进入听书界面。内置4款基础AI语音包，部分热门书籍还有真人主播录制好的朗读音频可选，均支持调整语速及音量，很是方便。2.配音工厂Android手机可使用这款则是我在学习视频剪辑时老师推荐的配音工具，其主打文字转语音功能便可以当作朗读文字工具使用。预置了情感女主播、外语影视、童声主播等百余种丰富的音色任你挑选使用；若你习惯听粤语、四川话等方言，还可以试试其地方方言口音主播的语音包。操作也不麻烦，仅需：①点击音色后的“制作”按钮，即可将本地的PDF/TXT/doc等格式的书籍导入，还支持在外部软件中，点击“文件详情—用其他应用打开—配音工厂”打开即可直接导入进行朗读；②导入PDF文档后，可按需调整多音字发音、语音语速、音量、背景音乐、氛围音效等参数，点击试听或是保存该音频就是听书的效果啦。3.iPhone辅助功能不能忽略的一款，便是iPhone自带有的辅助功能，打开相关设置项后便可轻松实现语音朗读。依次点击“设置—辅助功能—朗读内容”，打开“朗读所选项”“朗读屏幕”等设置，而后即可根据其操作提示，打开PDF文档实现朗读的操作啦。4.各主流浏览器电脑及部分型号手机可使用日常学习及工作中我们都经常使用浏览器搜索各类资料，但大部分都会忽略其自带的语音朗读工具也是很实用的。以Windows系统自带有的Microsoft Edge浏览器为例，在任意界面中，点击上方地址栏中的“A”图标，即可进入朗读文本模式啦～这款浏览器我比较爱的点是它内置了世界100余种主流语言的语音包，虽然都是AI模拟发声，但选择范围真的广，且还支持调整语速，感兴趣的朋友们不妨试试？5.WPS office仅支持在电脑端使用最后一款，便是大部分朋友们都有用过的办公软件啦～如果想阅读的文字内容是可以用WPS打开，那么你可以依次点击“审阅—朗读”，即可体验到语音朗读文本内容啦。不过该工具只有一种机器人音色可用，音量、语速以及语调可以另外设置，此外还支持将语音内容导出另存哦，以后想听便可以直接打开对应音频便可。以上便是今天分享的全部内容，希望对你有所帮助。觉得内容不错的话，就点个赞支持一下啦。这里是 @趣小弟，欢迎大家关注，我会多多分享一些有趣优质的内容！！！