易向东（队长）：难愚科技数据挖掘工程师，4 年以上数据挖掘经验，负责或参与过 IT 技术牛人推荐系统，主题推荐系统，情感分析，产品销售数据挖掘与业务支持。

王凯：难愚科技数据挖掘工程师，重庆邮电大学计算机科学与技术硕士，期待使用人工智能技术创造更美好的生活。

作品介绍：一款基于聊天 Bot 的游戏 AI 系统，能与真实用户畅通的聊天；能向真实用户学习技能；能与队友沟通并调整行为。

技术介绍：

　　技术架构

该版本的 Web Chat App 主要实现了一对一聊天和 web 接口，使用的数据是游戏玩家一对一的聊天数据，大概有三十万对左右。采用的分析与建模技术如下：

数据预处理：对话数据中含有道具符号，表情符号，各种标点符号，某些用户的习惯用语符号等，在该版本中均去除，分词工具使用了 jieba 分词。

词向量：由于数据量较少，得到的词向量质量可能不高，但还是尝试了使用 gensim 中的 word2vec 模块，具体使用了层次法和负抽样的 CBOW 和 Skip-gram 方法。并将词向量运用于下述的聚类及分类模型中。

句子向量：将一句话转成句子向量尝试了两种方法：一是计算分词结果对应的词向量的均值作为句子向量；二是使用 svd 降维 tfidf 矩阵后的结果作为句子向量。句子向量用于语义聚类及分类模型。

聚类：将对话数据中具有相似语义的句子聚到一个类，本版本中主要使用 k-means 进行聚类，j2直播，尝试了两种距离度量标准：欧氏距离和余弦距离。聚类的目的主要是对于一个输入，不必扫描整个对话库，只需扫描与其相似的对话类簇来寻找回复。

相似性：根据输入的词向量或句子向量，寻找与其最相似的回复。相似性度量标准尝试使用了欧氏距离和余弦相似度。

二分类模型：Dual Encoder LSTM network 为一个二分类的 RNN 模型，模型输入为一对对话数据的词向量，分别按序输入两个 LSTM 网络，两个网络的输出与权重矩阵的乘积，作为最后 sigmoid 层的输入。训练集从对话数据构造，正例为真实的对话数据，负例为一句话及随机选择另一句话作为其回复。但是从训练结果来，效果较差。可能原因数据量太少，训练过拟合；也可能是训练集负样本构造不合理。

单分类模型：考虑到使用二分类模型时，需要从对话数据中构造包含正负样本的训练集，6）中负样本的构造不甚合理，人工构造也比较复杂，于是尝试使用单分类模型——One-Class SVM 模型。该模型的训练数据为真实的对话数据，不需要类别标记。

预测结果：当前版本的预测结果使用了聚类、相似性和单分类模型的融合结果。随着数据量的积累以及外部数据的获取，接下来会尝试使用一些深度学习模型来做。

7. 葡萄科技