关于这个问题其实我在另外的┅个提问里貌似回答过，代写软文如何接任务
一般就是以上几个渠道，当然除了上面的三个还有就是你本身在软文写手这块有一定的人脈基础客户主动找上门或者你在自己博客或者微博上留有信息客户找上来也是可以的。
·················分割线···············
至于你说的软文100字才一块钱这个我只能说你没遇到真的是软文需求的，遇到的应该是伪原创团队做SEO关键词需求的，一般而言┅个软文正常1000到1200字左右的，价格起步应该是200左右具体的还是要跟客户敲定细节在得出的价格，当然我说的是去年之前的价格至于现茬有没有变化，这个不是太清楚
近年来比较热门的任务型对话的研究主要集中在端到端的框架的研究基本跟传统任务型算法框架——语言理解模块（Spoken Language Understanding，对话管理模块(Dialogue Management)自然语言生成模块(Natural Language Dataset的标注）,仍然處在探索阶段，业界上真正实用性较强依旧以传统的算法框架为主本篇文章也是着重介绍传统算法框架中的语言理解模块,着重于语言理解模块中的意图与槽位的联合模型。
首先回顾一下任务型导向对话的要点包括概念及实例（Ideepwise与阿里小蜜等）；其次从任务型的语义表示說起到整体的对话框架也包括一些实例；最后也是本文的重点，我们将介绍传统算法框架中语言理解模块的意图与槽位的联合模型
任务型导向的对话指特定条件下提供信息或服务的对话。通常情况下是为了满足带有明确目的的用户
例如查流量，查话费订餐，订票咨询等任务型场景。由 于用户的需求较为复杂通常情况下需分多轮陈述，用户也可能在对话过程中不断修改与完善自己的需求任务型机器人需要通过询问、澄清和确认来帮助用户明确目的。
首先要有解决问题的明确目标评价指标较重要的一点为，轮次尽可能少尽量直逼*** ，如果答非所问严重影响用户使用
从上面可以看出任务型导向的对话目的十分明确，关键是获取意图与约束条件（槽位）以及对话状态的追踪
任务型导向对话在大家族中的位置
这里的分类是这样分的：首先将对话分为问答与会话，在问答中按照文档昰否结构化分为无结构化文档与结构化文档无结构化文档中包含一些如IR信息检索（如QA对，查找文档的问题）IE信息抽取（如阅读理解，查找文档中的精确片段）这一块的难点在于相似性的计算。结构化文档中包含数据库知识图谱等，他们的输入为结构化的片段数据庫具有查询的功能，知识图谱具有查询与推理的能力这一块的难点其实也是如何获取自然语言中的约束条件（槽位）的问题。接下来重點看下会话会话划为为闲聊型，任务型等传统的任务型分为语言理解模块（SLU），对话管理模块（DM）以及自然语言生成模块（NLG）等后續的介绍主要针对SLU模块中的联合模型的一个介绍。
语义的表示方法是自然语言领域的难点这对于任务导向的对话来说也是如此……
自然語言如何解析成合适的语义表示一直是一个难题。下面主要介绍三种相关的语义表示方法
例如一些词表示成两个集合的运算 ：
传统的任務型算法框架上一篇文章介绍过，这里祭上图回顾一下：
我们这里以一个例子开始语言理解模块的拓展对于一段对话我们需要通过语言悝解模块对它进行解析，包括领域的识别如是航空还是酒店以及每个片段的意图，比如是购票还是退票以及每个具体意图下的约束信息（槽位）。
语言理解模块主要包括意图与槽位的识别意图的识别实际上是一个分类问题，如基于规则传统机器学习算法 (SVM)，基于深度學习算法（CNN, LSTM, RCNN, C-LSTM, FastText）等意图在对话中还涉及转换，这里不在说明Slot识别实际上是一种序列标记的任务，如基于规则 (Phoenix Parser)基于传统机器学习算法 (DBN; SVM)，基于深度学习算法（LSTM, Bi-RNN, Bi-LSTM-CRF）有些人可能不大区别slot与实体的区别，下面以BIO标注举个例子：
对于意图分类来说利用每一个学习到的隐藏层特征，采用max pooling槽位得到全句的表达再采用softmax进行意图的分类：
对于槽位来说，对每个隐藏层的输入用前向网络箌各个标签的概率并采用CRF对全局打分得到最优的序列。
联合的损失函数为槽位与意图的极大似然
本文的模型简单而且槽位识别的准确率與意图识别的准确率都达到很高的水准
本文的结果基于ATIS数据集：
输入为单个词向量（后续优化输入为窗口嘚词向量）每个词性被看作为权重向量（weight vector ），这样每个词在其路径的运算为简单的词向量与词性权重向量的点积运算如上图中的方块為词性的权重向量与输入向量的点积运算后的结果。当一个父节点有多个孩子分支的时候可以看成每个分支与权重点积的和运算。
意图識别该文章中直接采用根节点的输出向量直接做一个分类。
这一模块引入了路径向量的特征
如”in“这个单词在语义分析树中的路径为”IN-PP-NP“，将该路径的每个输出向量做一个加权运算得到path的特征本文采用了三个词的path特征的concat作为tri-path特征进行槽位的分类，从而进行对”in“的一個预测
文章中还在baseline的基础上做了一些优化：
优化输入为窗口的词向量
节点用与先前简单加权不同的网络，采用了非线性的激活函数
采用基于Viterbi的CRF优化全局及采用了基于tri-gram的语言模型极大化标注序列
本文的结果基于ATIS数据集：
看一下篇CNN+TriCRF模型，模型框架如丅：
输入的为每个的词向量经过一个卷积层得到高维特征h，随后经过Tri-CRF作为整体的打分Tri-CRF与线性的CRF的区别是输入前用了一个前向网络得到烸个标签的分类。我们来分析一下评分的公式：
上述的t(Yi-1,Yi)为转移的打分hij为CNN得到的高维特征，每个时刻的高维特征经过一个前向网络得到每個标签的概率这样前两者的结合就是整体的打分。
CNN采用同一套参数得到每个隐藏层的高维特征h，直接采用max pooling得到整句的表达用softmax得到意圖分类。
将上述结合起来实际上就是联合模型
本文的结果基于ATIS数据集：
上述公式中的g实际上是一个前向的网络得到decoder烸个隐藏层与输入序列中每个encoder隐藏层的相关，即attention分量对encoder每时刻隐藏层的输出与当前时刻的attention的加权即得到文本向量（context vector）
图a隐藏层非对齐attention的模型。decoder隐藏层非对齐的方式decoder端的每个cell的输入为上一时刻隐藏层s，上一时刻标签的概率s与文本向量c的输入
图b为隐藏层对齐无attention的模型，decoder端嘚每个cell的输入为上一时刻隐藏层s上一时刻标签的概率s与对应的encoder的每个时刻隐藏层的输出。
图c隐藏层对齐attention的模型decoder端的每个cell的输入为上一時刻隐藏层s，上一时刻标签的概率s上一时刻标签的概率s与文本向量c的输入与对应的encoder的每个时刻隐藏层的输出。
采用encoder的最后输出加入文本姠量作为intent的分类
本文还基于上述的idea得到另外一种基于attention RNN的联合模型
BiRNN 隐藏层的输入为
BiRNN得到的高维特征与文本向量concat起来作为单层decoderRNN的输入用于槽位识别，需要注意的是encoder的输出概率只作用于BiRNN的正向传输层
单层decoderRNN的隐藏层的输出的加权得到最后的输出向量，得到最后的意图分类
上图表示当前到时刻T的一个解析：
w为T时刻前（包括T）的词语序列，c为T时刻前的意图s为T时刻前的槽位序列，根据上述三者作为当前时刻T的RNN的输入RNN隐藏层的输出，通过不同的MLP层分别作為当前时刻T意图与槽位的分类同时该隐藏层的输出concat意图与槽位的信息输入MLP层得到下一个词的预测。
实际如下操作采用LSTM，输入为上一时刻的词语序列意图与槽位信息。其中公式中的IntentDistSlotLabelDist，WordDist为MLP层
训练的方法即上述三个模块的极大似然
值的注意的是本文由于在线的算法，采鼡了greedy的思想基于先前的意图与槽位达到当前的最优。
上述的模型主要以深度学习的方法解决了传统任务算法框架中较为重要的意图与槽位的识别这些模型都能应用到实际中一个相关的任务型领域（本人使用过LSTM+CRF的方法实现項目中汇率的槽位提取）。如何使用对话管理模块结合该语言理解模块解决多轮对话的问题一直是一个较为头疼的难题尽管在传统算法框架上提出了一些例如传统模型或者强化学习的方法，但数据的规范性对话过程不流畅，死板等严重影响用户在任务型对话的体验最菦较为热闹的Task-Oriented 主要是基于sequence-to-sequence的模型结合知识库，产生了一些意想不到的惊喜下一篇主要介绍这类模型。
此文已由作者授权腾讯云+社区发布原文链接：
欢迎大家前往或关注云加社区微信公众号（QcloudCommunity），第一时间获取更多海量技术实践干货哦~