任务型对话中，一般包含ASR、语义理解、多轮状态追踪、会话策略、自然语言生成（NLG）模块，那么任务型对话中都有哪些生成的方法呢？

基于模板

因为任务型对话中，生成任务有两个作用，1. 向用户传递信息，例如搜索到的机票信息（inform_槽位）等，提供给用户选择。2. 进行用户问询，主要是ontology中定义好的字段，比如常见的订票场景中的出发地、目的地（request_槽位）等。

因此，可以事先针对传递信息、用户问询的槽位，设计好模板，然后实际应用时，将其中的槽位使用对应的值替换即可。例如：

这个方法，就是需要将所有问询Action和槽位做组合，并且槽位之间可能也有组合，会有可能：

因此，最近也有一些结合语言模型的能力，来将原始的策略输出生成自然语言，例如这种格式：Confirm ( name = Hinton , area = center）

利用语言模型生成

2020Few-shot Natural Language Generation for Task-Oriented Dialog 代码：https://github.com/pengbaolin/ SC-GPT

出发点是用当前流行的预训练方法去提高生成回复的质量。但是任务导向型的对话往往特别依赖具体的领域，领域之间的差别会导致生成回复之间也会存在巨大的差异。所以需要引入特定的领域信息，文章提出一种few shot方案，只需要少量领域数据微调，具体步骤为

预训练1：首先在大规模的无标注文本上预训练。这一步和GPT-2一致，
预训练2：为了让生成的文本更贴近任务导向型对话的要求，模型还进一步在标注的数据集上预训练。这里的数据来自Schema-Guided Dialogcorpus, MultiWOZ corpus, Frame corpus和Facebook Multilingual Dialog Corpus，这些都是人工标注好的人物对话型数据集，来自各个领域，共计约400K个样本。
微调：最后，只需要在特定领域的少样本数据集下微调即可。

其中关键就是如何将dialog Act编码，其实可以看到她的方式很简单粗暴，直接dialog act作为一个句子输入到模型，作为prompt，然后指导后续的句子生成。

另外，预训练阶段2其实也挺重要的，保证了模型能够学习到对话语料，在做具备一定通用对话的能力，在做领域迁移的时候不会太差。

从上图可以看到，整体训练的数据量还是很小的。

最后看指标，以及生成的case，还是挺靠谱的，整体方法在任务型对话的NLG任务上，应该是够用了（闲聊估计是不太够），本人也在业务中实践也是比较靠谱。

中文GPT模型：预训练一阶段目前已经有中文的gpt2模型，预训练2阶段可能需要中文的对话数据集，目前百度千言开放了一些对话数据集，可以在预训练阶段2用到。微调领域生成一些应该就可以。

https://github.com/Morizeyao/GPT2-Chinese：12层的decoder。

https://github.com/imcaspar/gpt2-ml