我们的行为，包括如何说话，往往取决于我们所处的环境。我们在晚上和朋友打保龄球时，不必像在办公室开会时那样说话，包括语气和语言。我们会调整对话方法，使其符合对话的场景。如果要使经过训练的会话代理继续演变，成为人们可以求助的可靠资源，就需要训练它们也这样做。
8月29日，我们正式发布了智能会话引擎：编码和预训练系统，或者微软Icecaps，这是一个新的开源工具包，它不仅允许研究人员和开发人员赋予聊天机器人不同的角色，而且还集成了强调会话建模的其他自然语言处理功能。
Icecaps提供了来自最新会话建模文献的一系列功能。其中一些工具是由微软研究院最近的工作推动的，包括个性嵌入、基于最大互信息的解码、知识基础，以及一种强化共享特征表示结构的方法，从而实现更多样化更相关的响应。我们的库在一个模块化框架中利用了TensorFlow，该框架旨在使用户能够轻松地使用多任务学习构建复杂的训练配置。在接下来的几个月里，我们将为Icecaps配备经过预训练的会话模型，研究人员和开发人员可以直接拿来用，也可以通过引导自己的系统快速适应新的场景。
多任务学习和SpaceFusion
Icecaps的核心是灵活的多任务学习模式。在多任务学习中，多个任务之间共享一个参数子集，因此这些任务可以使用共享的特征表示。例如，该技术已被用于会话建模，将一般会话数据与非成对的话语组合起来；通过将会话模型与共享其解码器的自动编码器配对，就可以使用非成对数据来个性化会话模型。Icecaps通过将大多数模型表示为组件链，并允许研究人员和开发人员使用共享组件构建任意复杂的模型配置，从而支持多任务学习。它还支持灵活的多任务训练调度，允许用户更改任务在训练过程中的权重。
在多任务学习环境中，成对和非成对的数据可以在训练过程中进行组合。