任务型对话
Parent: ai_keywords
任务型对话（Task-Oriented Dialogue）
核心定义
任务型对话是指以明确目标为导向的人机交互系统，用户通过自然语言与AI代理进行多轮对话，以完成特定任务（如预约、查询、诊断辅助）。其核心在于意图识别、槽位填充与对话策略管理，区别于闲聊式对话，强调高完成率与低任务偏离。
关键技术点
- 意图识别（Intent Classification）：利用预训练语言模型（如BERT、GPT）对用户 utterance 进行语义分类，精确映射至预定义任务类别。在神经科学领域，需区分“症状描述”“检查安排”“用药咨询”等细粒度意图。
- 槽位填充（Slot Filling）：通过序列标注或基于神经网络的联合模型（如Joint BERT）抽取实体信息（时间、部位、药物剂量等），形成结构化任务令牌。医疗场景下需处理同义替换与不完整表述。
- 对话状态追踪（Dialogue State Tracking, DST）：动态维护上下文中的槽值对，应对用户修正、指代消解与多轮嵌套。典型方法包括基于循环网络或图神经网络的增量式更新。
- 对话策略（Dialogue Policy）：利用深度强化学习（如DQN、PPO）或模仿学习，决策下一系统动作（询问、确认、推荐），平衡信息收集效率与用户体验。
- 知识增强与可解释性：结合外部知识图谱（如医学本体）提升槽位填充准确率；引入注意力可视化与逻辑回溯，满足医疗场景对可解释性的严苛要求。
医学/神经科学应用场景：脑卒中急性期评估辅助
以首都医科大学宣武医院神经内科为背景，设计任务型对话系统辅助急诊分诊。患者或家属输入：“我父亲左边手脚突然动不了，说话含糊，大概半小时前。”系统通过意图识别（紧急症状描述）、槽位填充（发病时间、肢体侧别、言语障碍类型），结合对话状态追踪，自动触发“FAST评分”工作流。持续追问：“有无面部歪斜？能否双手举平？请复述一句话。”若多轮确认NIHSS评分≥4分，系统立即生成卒中绿道预警，通知神经介入团队并推送CT/CTA预约。同时，对话引擎调用神经电生理知识库，排除癫痫发作后麻痹（Todd麻痹）的可能，提示需与偏侧癫痫持续状态鉴别。此场景显著缩短DNT（Door-to-Needle Time），体现任务型对话在精准时序信息采集与决策链闭环中的不可替代性。
