不只会说英语

　　我们之前说到的这个神经网络模型是不针对某种语言的，因此我们可以对每一种语言分别建立预测模型。Sujith Ravi为了确保每一种语言的回复可以从我们对其他语言的语音理解中获益，他提出了一种基于图表的机器学习技术，可以将不同语言的可能回复联系起来。Dana Movshovits-Attias和Peter Young将这项技术应用在一个图表中，对收到信息的回复，可以与其他有相似词汇嵌入和语法关系的回复联系起来。基于谷歌翻译团队开发的机器翻译模型，这个图表还能将不同语言中具有相似语义的回复联系起来。

　　利用这个图表，我们使用了半监督学习(点击链接，可以通过这篇Sujith Ravi发表在第19届人工智能与数据国际大会(AISTATS)的论文中了解更多关于半监督学习的信息)来了解回复的语义含义，判断哪一个可能的回复组群是最有用的。每一个可能的回复语义中都有多个可能的变种，现在我们可以让LSTM对每个变种进行打分，让个人化常规来为用户在聊天情景中选择最好的回复。这还能帮助实现多元化，因为我们现在可以从不同的语义组群中选择最终的回复库。

　　一个打招呼的信息图表可能会是这个样子的。左：法语，中：英语，右：中文。图片来源：Google Research Blog。

　　不止于智能回复

　　我非常期待Allo中的谷歌个人助理，你可以与它聊天，获得谷歌搜索上可以了解到的任何信息。它可以直接通过对话理解你的句子，帮助你完成日常任务。举个例子，你和朋友聊天的时候，谷歌助理可以在Allow应用内帮你发现有什么好吃的餐厅并预定座位。正是因为我们在谷歌进行了最尖端的自然语言理解研究，我们才能实现这项功能。更多细节信息将在未来发布。这些智能功能将于今年夏天晚些时候出现在Allo的安卓和IOS应用中。