我有一个使用预定义消息的聊天应用程序。数据库中有大约80个预定义的对话，每个对话有5个可能的回应。为了更清楚地说明，这里有一个例子：
Q: "北极熊有多重？"R1: "非常重？"R2: "重到足以打破冰层。"R3: "我不知道。这问题真傻。"R4: ...R5: ...假设用户选择了 R3: “我不知道。这问题真傻”
那么这个回应将有5个可能的回应，例如：
R1: "为什么这问题傻？"R2: "你才傻！"R3: "啊，我现在不想和你说话了。"R4: ...R5: ...而这些回应中的每一个也将有5个可能的回应；之后，对话将结束，必须开始新的对话。
总结一下，我有80个手动编写的对话，每个对话有5个可能的回应，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此类对话的最准确方法是什么？
我研究了RNN：Karparthy的RNN文章。尽管RNN可以基于旧内容生成新内容，但新内容相当随机且无意义。
为了更好地理解这些对话的使用，请访问 http://getvene.com/ 并观看预览视频。
回答：
我可能会从一个生成性文本模型开始。有篇很好的文章使用了Python和Keras（你也可以使用LSTM循环神经网络与TensorFlow）。有了丰富且优质的训练数据，算法确实可以生成非常有趣的文本输出。如上文所述，有一个古腾堡项目，你可以找到大量免费的书籍。这应该能提供足够的训练数据。然而，既然你可能已经尝试过RNN，我将继续深入讨论。
接下来是问题与可能的回应之间的关系。这告诉我你的对话中涉及到一定的语义。也就是说，这不是随机的，生成的回应至少应该尝试“适合”某种相关的回应。类似于潜在Dirichlet分配，基于数据找到合适的类别和主题，但以相反的方式进行——基于主题（问题）你需要至少找到某种相关的数据（回应）。或许可以将生成的文本分成许多部分，然后将这些部分向量化，并使用类似于文档距离的算法来找到最接近的匹配？另一个可能有用的想法是潜在语义分析，因为实际上，你需要从一个词/向量矩阵中尽可能地减少矩阵，同时仍然保持相似性。
