之前参与智能音箱的项目，做语义理解，但硬件方面，实在是小白，这段时间腾出些时间，折腾下硬件，把家中的灯光整体改造一下。这篇文章从设计、硬件、软件、云服务、手机应用5个方面记录了这次改造中所获取的信息以及相关的程序代码。最终构建了一个通过手机控制和传统控制兼容的智能灯光。
生活点点
-
闻香
花就在那，只有走近才能闻到花香
-
开始用python3
开始用python3，忘记codecs
从python官网下载安装包直接安装，mac会配置好python3的环境变量，测试是否安装成功在命令行输入：
python3设置终端的python指令，直接链接python3
vim ~/.bash_profile:
alias python='python3'
-
Seq2Seq和MTCS实现的对话系统
Seq2Seq模型和蒙特卡洛搜索树（简称：MTCS）实现的对话系统，是一个信息检索的对话系统，seq2seq可以生成句向量，再通过欧式距离匹配历史对话中距离最近的问句，给出该问句的回答，同时对话框架采用蒙特卡洛搜索树，问答对来自于搜索树上的各个节点，因此可以实现前后文的对话，属于一种非理解式的多轮对话。
-
智能酒店一种不一样的体验
智能酒店的“智能”两字很多情况下会被解释成“自动化程度高，功能多样型”，被误以为缺少了人文的关怀。事实上，智能酒店的设计和传统相比有过之而无不及，结合了“智能”，酒店设计是更重视用户体验， （更多…）
-
正则做语义解析的优劣势
正则表达式（简称：正则）做语义解析是一种方法经典的方法。在上世纪60年代，大量的对话系统、专家系统都是用模式匹配来做，其中正则就是一个非常实用且易学的工具。具有代表性的Eliza，在当时让大家都以为这个机器能理解自然语言，即使说明了其中的原理，也有不少人认同它的智能。这套方式一直被延续至今，基本在市面上能看到的chatbots，都或多或少的保留了正则的部分。也许说到这里，有人认为马上要介绍正则如何做对话了，这篇记录只是记录一下在工作中，正则的优势和劣势。另外基于统计的方法，这里不做说明。
-
seq2seq模型的字符级的向量表示
许久未更博了，在前段时间测试了用seq2seq做ner任务，可以参考之前的文章《RNN的Seq2Seq模型做命名实体识别》 ，之后通过NER做NLU，再加上RL尝试多轮对话，结果达到了期望，但是还有很多工作需要去做，多轮语料采集、句子相似度、句向量，在多轮对话中，我没有尝试将每句话进行分类，我认为句子本身表意就非常清晰，标注反而画蛇添足，特别是上下文中的句子，其意思根据上下文而变化。那么对话中去匹配距离最近的句子，并且人为的反馈，可能是一个多轮对话的主要方式。
这篇文章将简单介绍seq2seq模型+attention机制，以及在这个模型下，字符级逐字的输入和输出任务产生的句向量的特性。 （更多…）
-
RNN的Seq2Seq模型做命名实体识别
seq2seq 具有极强的时序能力，在自然语言处理（NLP）中是一个很强的模型，最近一段时间，在工程方面将该模型引入做命名实体识别（NER）也取得不错的效果。推荐G.Hinton的论文“Grammar as a Foreign Language”，讲述了如何用seq2seq做序列标注。
（更多…）
