对话是一个难题，因为它需要相当高级的认知功能。撇开所有较低级别的语言分析（如果处理语音、形态和句法，语音学），您很快就会遇到需要大量世界知识的解释问题。

简单的问答就可以了，受限域也更容易一些。一旦你进入正常的对话，你就会回顾你之前说过的事情，所以 NLP 系统必须识别出这一点并相应地解决参考。通常在对话中你会使用不同的参考术语：你第一次提到一个对象时，你可能会完整地描述它，但随后你会使用更短的术语来指代它。

对话也有结构。这通常被建模为会话动作，并且通常动作会有相应的响应动作。例如，一个常见的序列是问候 - 问候。然后你可能会有问题 - 响应 - 反馈。这听起来很容易，但是一旦你尝试用这样的动作来注释对话，你会发现它相当困难。据我所知，没有“语法”相当于描述对话的结构。

通常，语用意义会干扰话语的“表面”意义。一个语句实际上可以用作一个问题，或者一个问题可以是一个命令（或一个语句）。话语的语用取决于语境，也取决于对话者之间的关系。如果我与我的经理交谈，我会使用与我与孩子交谈时不同的语言。

对话/对话很难分析。因此，描述性框架仍然相当有限。您需要跟踪之前所说的内容，因为这可能会改变必须解释话语的方式。语法分析是一个相当解决的问题，词义消歧也是如此。但是语用学和会话结构仍然处于语言研究的前沿。至少几年前我还在大学教授话语分析时是这样的。

出于这个原因，聊天机器人通常不是很好。有时他们可以欺骗人们相信他们是人类说话者，但这通常是通过诡计（“smoke and mirrors”）而不是有效地处理对话结构来完成的。这一切都在nbro的答案中标有“DM”的小盒子里......

首先，我对 NLP 和 NLU 系统和概念的细节不是很熟悉，所以我将根据该主题研究员David DeVaul题为“对话系统中的自然语言理解”（2013）的幻灯片提供答案。

对话系统由不同的部分或模块组成。这是对话系统示例的图表。

这些模块中的每一个都可以引入错误，然后将其传播到管道的其余部分。当然，这是这样一个对话系统的第一个明确问题。其他问题或挑战包括

• 自然语言的歧义（并且有不同类型的歧义，即参见幻灯片编号 5），

• 同义词（即对话系统需要处理具有相同含义的不同单词或表达方式），

• 上下文敏感性（即相同的单词或表达在不同的上下文中可能意味着不同的东西）

• 语义表示（即如何表示语义）

• 自发讲话（即如何处理“嗯”、停顿等内容）