值得一提的是 ， 任务结果评估也引入了人工标注的结果（Ground-truth） 。 百度提交的结果与人工标注结果差距最小（百度系统得分 3.4235 vs 人工标注结果得分 3.5291） ， 验证了上述知识增强的对话策略更接近人的认知过程 ， 相比于其他系统 ， 具有更好的可解释性 。
如同人在回答一些不了解的专业问题也需要查阅资料 ， 知识增强的方法使对话系统具备了 “临时查阅” 的能力 ， 能够更加专业、更加精准地回答问题 。 知识增强的对话不仅成功应用于知识对话任务 ， 在百度近期发布的 PLATO-KAG 等相关的工作上也取得了不错进展 。 可以说 ， 知识增强已经成为对话系统的必备能力 。

知识对话任务示例：系统需要判断是否需要引入外部知识库 ， 并利用外部知识（External Knowledge）来准确响应用户需求 。
【全球对话技术顶赛DSTC10落幕，百度PLATO斩获多个冠军】
知识对话任务榜单（前五名） ， B10 为百度团队 。 第一行（Ground Truth）为人类标注 。 对话从准确性（Accuracy）, 合适性（Appropriatenesss）两个角度进行评估 。
对话系统是自然语言处理领域最具挑战性的技术之一 ， 尤其是实际应用场景下 ， 数据高噪声、多歧义 ， 比学术研究数据更复杂、更具挑战性 。 通过此次 DSTC10 竞赛 ， 百度再次锤炼了 PLATO 模型的鲁棒性 ， 同时验证了知识增强策略的应用效果 ， 并为解决产业应用中的实际问题提供了全新思路 。 未来 ， 百度 AI 还将持续技术创新与突破 ， 实现让对话更有知识、有情感、有逻辑的目标 。
百度 PLATO 系列模型完全基于百度自主研发的深度学习平台飞桨 。 DSTC10 的冠军解决方案也会陆续开源到 GitHub ， 对智能对话感兴趣的小伙伴千万别错过 。
GitHub 链接：https://github.com/PaddlePaddle/Knover