摘自网络：
最近在自个的公众号加了图灵机器人的智能聊天功能。发句中文句子给公众号，公众号则会自动回复一句话，甚为有趣。
除了图灵机器人，其实还有“小黄鸡”的，不过“小黄鸡”找不着，只能作罢，取能用得上的。
不过它的实现原理是怎样的呢？
问了度娘，学习到其核心部分为：训练+匹配
一、训练：
流程如下：
S1：用户通过教学界面向系统提出一个话题和它的相应应答； S2：系统对该话题进行分词，选择关键字，判断该话题在系统知识库中应存放的位置； S3：在系统知识库中存储添加该话题关键字及相应应答。
就是说，智能聊天机器人的应答库，是对某些分词的回复。在它的存储里，不是以句子为单位的，而是以词。训练它一个句子，它会分词，然后存储到对应的位置。这是智能聊天机器人的核心。目前分词的方法有：基于字符串匹配的分词方法、基于统计的分词方法和基于理解的分词方法。记得有个古代笑话：下雨天留客天天留我不留。古时候是没标点的嘛，主人的原意是：下雨天，留客天，天留我不留！客人通过自己的理解：下雨天留客，天天留我不？留！于是自认为本想回去的，结果主人给了这句话，明显是想再留我多几天啊，于是不走了。
同样的句子，不同人竟然完全理解相反。这在汉文其实还算很常见。于是我们发给一句话给机器人，它会正向反向双向扫描，可匹配为长词匹配和短词匹配等，还按照匹配不成功时重新切取词语。
二、然后是词库设计。如下图：
首字Hash表通过一次哈希运算就可以直接定位汉字在表中的位置。一个单元包括三项内容：C：存储首字；F标志位：存储以C为首字的最长词条的长度；P：指向词表索引表。 哈希：散列表 Hash table，也叫哈希表，顾名思义就是把数据都打散了，再按一定规律存起来，加快访问速度。是根据关键码值Key而直接进行访问的数据结构。 比如说：我想将[0,100)做成一个哈希表，选取“模10”作为散列函数，以数组作为存储单元，则得到A[10][10]的数组，A[0]里依次存着0,10,20…90；A[1]里存着1,11,21…91。依次类推。
举个训练小黄鸡的例子：我教小黄鸡说“大白天的做什么美梦啊？”回答是“哦哈哈哈不用你管”。S1：应用双向最大匹配算法分词：双向分词结果，正向“大白天，的，做什么，美梦，啊”；反向“大白天，的，做什么，美梦，啊”。正向反向都是一样的，所以不需要处理歧义问题。长词优先选择，“大白天”和“做什么”。S2：以“大白天”举例，假设hash函数为f（），并设f（大白天）指向首字hash表项[大，11，P]。于是由该表项指向“3字索引”，再指向对应“词表”。S3：将结构体<大白天，…>插入队尾。体中有一个Ans域，域中某一指针指向“哦哈哈哈不用你管”。S4：完成训练。
三、匹配
匹配可以描述成如下流程：S1：用户通过聊天界面向系统提出一个话题；S2：系统对该话题进行分词处理；S3：在系统知识库中寻找与该话题匹配的话语回复用户。 基于词典的分词算法分为词典加载、预处理、最大匹配、歧义消解几个阶段。
具体流程如下：S1：预处理阶段，按照特殊字符(英文字母、数字、标点符号等)将待分析文本进行断句，将待切分的文本切分为只有中文的短句子，这些句子是下一步分词处理的基本单位；（举个栗子：输入“asdfadf东北师范大学哈哈哈dfadflakfl(*^__^*) 嘻嘻……”，simi只会对其中的中文“东北师范大学哈哈哈嘻嘻”做出响应；输入“(*^__^*)”时，输出“I have no response.”）S2：对断句出来的句子进行双向最大匹配（双向匹配，长词优先）分词，分词后的结果作为S3的输入；（举个栗子：输入“东京古巴比伦”，正向与反向切词结果均为《东京，古巴比伦》，长词优先，所以simi只对“古巴比伦”做出响应；输入“古巴比伦埃菲尔铁塔”，正向与反向切词结果均为《古巴比伦，埃菲尔铁塔》，此时Simi对“埃菲尔铁塔”做出响应）S3：对上一步分词得到的结果进行比较，判断是否存在歧义，如果存在歧义，就进行一定的歧义消解；S4：重复S2、S3，直到处理完步骤一中断句所切分出的所有句子单元。
算法流程如图所示：
例子：我问小黄鸡：“埃菲尔铁塔上45度角仰望星空”。
S1：双向最大匹配分词：正向反向均为“埃菲尔铁塔上，45度角，仰望星空”，没有歧义。长词优先，系统选择了“埃菲尔铁塔上”作为关键词；S2：系统在知识库中用刚才说的哈希函数f（埃菲尔铁塔上），找到比如[埃，11，P] 的表项，顺着指针找到6字词的索引，顺着索引找到6字词表，遍历词表，找到<埃菲尔铁塔上，…>结构体；S3：系统随机选择该结构体Ans域中的一个回答（也有可能是根据频率高低来选择）。比如“两年之后等着你”。S4：输出回答，匹配结束。
