096 | 任务型对话系统有哪些技术要点？

在上一期的分享中，我为你开启了另外一种和文字相关的人工智能系统——对话系统的一些基础知识。我重点和你分享了对话系统的由来，以及对话系统分为“任务型”和“非任务型”两种类型的概况。同时，我们也聊了聊早期的基于规则的对话系统的构建，以及这样的系统对后来各式系统的影响。最后，我为你简单介绍了对话系统的各个基本组件以及这些组件的主要目标。

窥一斑而知全豹。对于一个企业来说，能够为大众所知，展现给公众的东西总是有限的；然而这种有限的展示所暴露出来的，往往是一些非常深刻而意义深远的企业文化。今天，我带你从企业的面试这个环节，来分析一下北美互联网公司的企业文化。

097 | 聊天机器人有哪些核心技术要点？

对话系统分为“任务型”和“非任务型”两种基本类型。周一的分享里，我们讨论了任务型对话系统的一些技术要点，重点介绍了任务型对话系统的各个组件及其背后的模型支撑。

上一次，我们聊到了极具历史积淀的微软的面试方式，以及从中折射出来的企业文化。今天，我想说说西雅图地区、华盛顿湖对岸的另外一家著名的互联网企业：亚马逊。

098 | 什么是文档情感分类？

到目前为止，我们讲完了对话系统的基础知识。一般来说，对话系统分为“任务型”和“非任务型”这两种基本类型。针对任务型对话系统，我们重点介绍了其各个组件的任务，以及这些组件都有哪些模型给予支撑。针对非任务型对话系统，也就是“聊天机器人”，我们主要介绍了如何利用深度学习技术来对一个聊天机器人进行建模，以及非任务型对话系统所面临的挑战都有哪些。

今天让我们把目光从西雅图转向湾区。在硅谷十余年的新兴企业里，谷歌无疑属于最早一批，也是最具有代表性的一个。这批企业实行的面试方式，或多或少都是“谷歌系”，或者照搬，或者是改良版。

099 | 如何来提取情感“实体”和“方面”呢？

从上一篇分享开始，我们转入文本分析的另外一个领域，文本“情感分析”（Sentiment Analysis），也就是指我们要针对一段文本来判断其文字“色彩”。文本情感分析是一个非常实用的工具。我们从最基础的文档情感分类这个问题说起，这个任务是把一个单独的文档给分类为某种情感。在绝大多数情况下，我们可以把这个任务看作监督学习的问题。另外，我们也聊了聊如何通过建立情感词来进行简单的非监督学习的步骤。

在前面的文章中，我们清楚了西雅图的两大著名 IT 公司的面试情况，也了解了湾区新贵代表者谷歌的招人方式和其背后的企业文化。

今天我们把目光转向湾区比较老的一家企业：甲骨文。这是和微软同时代的企业，非常具有代表性。湾区曾经的很多企业，比如思科都用过同样的招聘模式，但如今只有甲骨文还在坚守着这个古老的传统。

100 | 文本情感分析中如何做意见总结和搜索？

在文本“情感分析”（Sentiment Analysis）这个领域，我们首先介绍了最基础的文档情感分类这个问题。在绝大多数情况下，这是一个监督学习的问题。当然，我们也可以通过建立情感词库来进行简单的非监督学习的步骤。紧接着，我们讨论了文本情感分析中的另一个关键技术，即情感“实体”和“方面”的提取。这个任务可以说是很多情感分析的根基，我们需要从无结构的文本中提取实体和方面等结构信息，便于进一步的分析。我们讲了如何通过词频、挖掘配对信息以及利用监督学习来对实体和方面进行挖掘。

今天，我们一起来看下如何理解 Java8 引入的新异步编程类，CompletableFuture。

在第 05 时，我们直接用“线程”和“阻塞队列”构建实现了一个简单的流计算框架。这个框架帮助我们理解了流计算系统的基本实现原理，但是它用起来不是非常方便，需要配合框架写一些业务无关的代码。