乾貨 | 論文解讀：基於動態詞表的對話生成研究

編者按：近年來，聊天機器人在飛速發展，很多人也對機器人的對話系統產生了很大興趣。近期，北京航空航天大學—微軟亞洲研究院聯合培養博士生吳俁應邀參加了PaperWeekly優質論文線上直播分享活動，帶大家回顧了近幾年來聊天機器人的發展，對比了檢索式和生成式聊天機器人的優缺點，並以第一作者的身份解讀了北京航空航天大學和微軟亞洲研究院在AAAI 2018上發表的有關基於動態詞表對話生成研究的論文Neural Response Generation with Dynamic Vocabularies。 一起來看看吧！文章轉載自公眾號“PaperWeekly”。

分享實錄回放

淺析對話系統

對話系統主要分為兩類，一類是任務型，另一類是非任務型。任務型對話系統主要應用於企業客服、訂票、天氣查詢等場景，非任務型驅動對話系統則是指以微軟小冰為代表的聊天機器人形式。 

之所以強調這一點，是因為今年我在ACL發表了一篇論文，有同學發郵件問我為什麼參考了論文和原始碼，還是無法讓聊天機器人幫忙訂披薩。我只能說，目前聊天機器人實在種類繁多，有的機器人只負責閒聊，有的機器人可以幫你完成某些特定任務。 

本次 Talk 會更側重於介紹閒聊機器人，也就是非任務驅動型對話系統。首先我想給大家推薦一篇關於聊天機器人的綜述文章 — A Survey on Dialogue Systems: Recent Advances and New Frontiers。

這篇文章來自京東資料科學團隊，是一篇較為全面的對話系統綜述，其中引用了 121 篇相關論文，並對論文進行了歸類。不僅非常適合初學者，也能讓大家對聊天機器人領域有一個更為全面的認識。

面向任務的對話系統主要分為知識庫構造、自然語言理解、狀態跟蹤和策略選擇。針對知識庫構造，假設我們的使用場景為酒店預訂，那首先我們需要構建一些和酒店相關的知識，比如酒店房型、報價以及酒店位置。

具備了這些基礎知識之後，接下來就需要展開對話，通過自然語言理解去分辨問題型別（酒店型別、房間型別等）。確認好相關型別後，我們需要藉助 policy 模組，讓系統切換到下一個需要向使用者確認的資訊。更直觀地說，我們需要循循善誘引導使用者將右表資訊填寫完整。

聊天機器人型別

普遍來說，聊天機器人主要分為兩類，我認為準確來說應該分為三類。

比較早期的研究基本屬於第一類：基於模板的聊天機器人，它會定義一些規則，對你的話語進行分析得到某些實體，然後再將這些實體和已經定義好的規則去進行組合，從而給出回覆。這類回覆往往都是基於模板的，比如說填空。

除了聊天機器人，這種基於模板的文字形成方式還可以應用於很多其他領域，比如自動寫稿機器人。

目前比較熱門的聊天機器人應該是另外兩類，一類是檢索型，另一類則是生成型。檢索型聊天機器人，主要是指從事先定義好的索引中進行搜尋。這需要我們先從網際網路上獲取一些對話 pairs，然後基於這些資料構造一個搜尋引擎，再根據文字相似度進行查詢。

生成型聊天機器人目前是研究界的一個熱點。和檢索型聊天機器人不同的是，它可以生成一種全新的回覆，因此相對更為靈活。但它也有自身的缺點，就像圖中的嬰兒那樣，它有時候會出現語法錯誤，或者生成一些沒營養的回覆。

檢索型聊天機器人首先需要構建一些文字和回覆的 pairs，然後再訓練匹配模型，上線之後先做檢索再做匹配。相似度演算法有很多種選擇，現在一般都採用深度學習，如果是做系統的話，肯定需要融合很多相似度的特徵。

生成模型大多都是基於 Seq2Seq 框架進行修改，所謂萬變不離其宗，不管大家怎麼做，都會是以這個框架為基礎。文字生成也是如此，在 RNN 語言模型和 Seq2Seq 出來之後，幾乎所有生成模型都是基於這個框架。即使把 RNN 換成 CNN 或 Attention is All You Need，也仍然離不開這個框架。

檢索型VS生成型

檢索型聊天機器人的最大優點在於它的回覆多樣且流暢，其次，這個系統對程式設計者的入門門檻較低。即使你對深度學習和自然語言處理不甚瞭解，但只要你善於寫程式碼，並且能從網上抓取一定量的資料，就可以搭建一個檢索型聊天機器人。

另外，對於研究人員來說，檢索型聊天機器人比較易於評測，藉助 MAP、MRR、NDCG 等傳統資訊檢索方法即可完成。 

檢索型聊天機器人的缺點在於它過於依賴資料質量。如果你抓取的資料質量欠佳，那就很有可能前功盡棄。

就工業界來說，要評估某個檢索型聊天機器人，首先我們會看其背後的排序演算法，其次不能忽略的則是資料質量和規模，最後再看其回覆資料是否足夠有趣，以上幾個因素共同決定著檢索型聊天機器人的整體質量。 

生成模型的最大優勢在於有一套通用 code，可以忽略語言直接開跑。只要在某種語言上跑得較為順利，就可以將其應用到所有語言上。

很多人認為 safe responses 是生成式聊天機器人的一個缺點，但其實從某種角度上來說，這也是它的一個優點。相比檢索型聊天機器人，它生成的回覆質量較為穩定。

生成模型的另一個優點是，它非常容易實現多輪對話，並且能夠偏向於某種情感。假設我希望生成一句高興的話，那麼用生成模型會比檢索模型更容易實現。 

對於早期的研究者來說，生成模型的最大缺點在於它的回覆較為單一。其次，由於缺乏自動評評測手段，研究人員難以對生成式聊天機器人進行評估。一個模型的好壞，更多需要靠人進行標註。此外，對工業界而言，生成式聊天機器人的門檻會相對較高。

怎樣提高生成的多樣性

第一種方法是將模型做得更復雜，比如上圖這篇論文使用了 latent variable 來解決 boring responses 這個問題。

上圖中的論文，則是在生成時將概率 bias 到一些特定的主題詞。假設某個詞是主題詞，我們就在生成過程中相應提高它被選中的概率。

第二個流派是採用重排序方法，目前最簡單有效的方法是先用生成模型生成大量回復，再用分類器對回覆進行排序，排名越靠前效果越好。只要生成的回覆數量夠多，該方法就一定可行。

第三種方法是基於增強學習的。增強學習有兩種不同方法，一種基於策略，另一種基於價值。

基於策略的代表作來自李紀為，其基本思路是：假設已有生成模型 G，給定一個 input 並生成 20 個回覆，利用排序公式 P(S|T) + λP(T|S) 對回覆進行評分作為 reward。Reward 值越大，梯度更新則相應越大。 

我們再來看看 GAN 的相關方法。李紀為對 SeqGAN 的模型加以改進，將其用在了回覆生成上。

其基本思路是，每生成一個詞的同時，用搜尋的方法去搜尋其最後生成的完整句子，然後用 discriminator D 對其進行評分，分值越高，意味著詞的 reward 也越高。之後的思路則跟 SeqGAN 一模一樣。

本文思路

我們做這篇論文的初衷，是為了提出一種不借助繁重工具或演算法的回覆生成方法。因為無論是複雜模型、後排序、增強學習還是 GAN，都屬於一種用時間換精度的方法。 

我們希望在避免產生大量時間開銷的同時，還能提高回覆生成的質量。提升效率的關鍵在於 Seq2Seq 的最後一層 — 投影層，這個投影往往會是一個大型矩陣。

我們認為其實沒有必要形成這個大型矩陣，因為有用詞彙僅有很小一部分，而這一小部分詞彙就足夠生成一句非常流暢、高度相關的話。比如對“的地得”這類功能詞和與 input 相關度較高的詞做一個並集，就可以僅用一個小規模字典生成極為流暢的有效回覆。 

詳細來說，我們會給每一個 input 構建一個動態詞典。這麼做的目的是為了減少線上 decoding 時間，同時對不相關詞進行剔除。

本文其實是在 Seq2Seq 的基礎上加了一個動態詞表，每給一個 input，我們會生成兩類詞。

第一類詞的生成完全基於規則，即靜態詞典。靜態詞典主要包含一些功能詞，功能詞主要起潤滑劑的作用，它們能讓一句話的語法變得通暢。靜態詞典是基於詞性構建的，主要包含代詞和助詞，名詞和動詞不包含在內。 

第二類詞是內容詞，即動態詞典。動態詞典是根據 input 猜測與其相關的詞，即我們可以用哪些詞對 input 進行回覆。這個詞典的構建不能再像靜態詞典那樣基於詞性，而是要藉助分類器或詞預測模型，預測哪些詞和已給定的 input 相關。 

有了這兩個詞之後，我們就可以給每個 input 構建一個詞典。這個詞典的規模會很小，很小的概念是指原來的詞典規模是 3 萬，現在能縮減到 1000-2000 這個量級。

從矩陣乘法角度來看，如果能把一個矩陣從 N 乘以三萬的維度，縮減到 N 乘以一千的維度，就可以大大提升矩陣乘法的運算速度。

詞預測模型

接下來我們來看如何做詞預測，即如何對內容詞（content words）進行預測。內容詞的 input vector 是 encoder 生成的 vector。有了 vector 後，我們需要過一個迴歸模型（MLP），繼而預測需要用到哪些詞。這個預測的損失就是將最後出現在回覆裡的詞作為正例（標籤為 1），再隨機取樣一些負例作為 0 標籤的詞，從而進行預測。 

如何取樣負例非常關鍵。剔除掉一句話中的功能詞，大概會剩下 10-15 個正例的詞。我們需要通過頻率對負例進行取樣，如果一個詞經常出現，那麼它被取樣為負例的機率就會很大。 

通過對負例進行取樣，我們在進行詞預測時，可以更準確地預測出內容詞是什麼。反之，這個詞預測模型會跟 Seq2Seq 生成回覆模型出現同樣的問題，即總是出現高頻詞。只有利用頻率對負例進行取樣，才能讓高頻詞在構建詞典時就被剔除。

時間複雜度

在介紹完詞預測方法後，我們來看時間複雜度的計算，即以什麼樣的速度進行 decoding。

首先將 Seq2Seq 和本文的 decoding 方法進行對比，可以發現二者在 GRU 和 Attention 上花費的時間完全一致，但是本文方法在 Projection 上花的時間會少很多。

原因在於 Seq2Seq 的 vocabulary size 通常都很大，比如 3 萬這種級別乘出來的數。而本文這個 T 可能只有幾千，並且我們無需為每個詞建立一個表，而是為每一句話建立一個表。因此，我們構建詞典的時間開銷要遠小於從全域性字典裡進行詞預測。

當然，這種情況的前提是回覆詞數需大於 1。當回覆詞數等於 1 時，即逐詞預測，本文方法反而會比 Seq2Seq 變得更慢。也就是說，在詞的數量越多的時候，詞典規模越小，節省的時間也就越多。

經實驗證明，這種方法相比 Seq2Seq 能節省約 40% 的時間。

模型訓練

如果只對動態詞典進行訓練，將導致訓練和預測的時候出現一些 gap。即使在訓練的時候就採用動態詞表這種方法，也依然會面臨一個問題，就是你不知道選詞這個過程會對你做回覆造成什麼影響。

為了解決這個問題，我們在訓練時選擇將動態詞典作為一個隱變數來處理。針對公式的詳細推導，大家可以參考論文。 

由於是隱變數，假設動態詞典 T 是完全變例，即一個詞有選或者不選這兩種可能。如果有 3 萬個詞，那麼 T 就有 2 的三萬次方這麼大，因此這種方法是不可行的。那我們應該怎麼做呢？

我們可以通過蒙特卡洛取樣的方法，來估計詞典會對回覆產生什麼影響。我把變成了真正取樣，相當於取樣 S 次，且對每次所出結果都進行一次計算，然後對結果進行平均。 

這樣一來，我們就可以把詞典構建和回覆生成這兩個損失串在一起，相當於放入一同一個公式裡表示，而不是將詞典和生成分開單獨訓練。利用逐次取樣得出的結果，來評估動態詞典在不同情況下，其相對應的回覆生成的損失是什麼。 

由於這個損失是通過取樣得出，因此它會和 RL 一樣存在 variance。因此我們加了一個 baseline BK 用於梯度更新，從而使訓練更為穩定。

實驗

本文實驗所用資料來自我們之前的一篇文章，這些詞可以覆蓋約 99% 的詞。

本文使用的開源 baseline

目前研究界仍未找到一個很好的自動指標，能用於回覆生成或對話評測。

現有的方法可分為四類：

第一類方法是計算 BLEU 值，也就是直接計算 word overlap、ground truth 和你生成的回覆。由於一句話可能存在多種回覆，因此從某些方面來看，BLEU 可能不太適用於對話評測。

第二類方法是計算 embedding 的距離，這類方法分三種情況：直接相加求平均、先取絕對值再求平均和貪婪匹配。

第三類方法是衡量多樣性，主要取決於 distinct-ngram 的數量和 entropy 值的大小。

最後一種方法是圖靈測試，用 retrieval 的 discriminator 來評價回覆生成。

表 1 中的前四行是 baseline，DVS2S 是將詞預測和 Seq2Seq 的損失串在一起計算，S-DVS2S 則是對這兩個 loss 分別進行計算。從結果可以看出，DVS2S 的效果均優於其他方法。 

表 2 是人工標註結果，數值 0 和 2 分別代表最差效果和最優效果，Kappa 則指三者的一致性。人工標註得到的 Kappa 值通常較低，也就是說，即使讓真人來進行評測，也很難得到一致性的評價。

速度對比：本文模型可節省40%的時間

案例效果對比

總結

首先，我們將靜態詞典換成了動態詞典，用於聊天機器人中的回覆生成。其次，我們提出了一種全新的方法，將詞預測損失和回覆生成的損失融入到同一個損失函式，以 joint 的方式對這個函式進行優化。最後，我們基於一個大規模資料集，對本文模型的效率和效果進行了驗證。

你也許還想看：

●  乾貨 | NIPS 2017：用於序列生成的推敲網路

●  乾貨 | NIPS 2017線上分享：利用價值網路改進神經機器翻譯

●  書單 | NLP祕笈，從入門到進階

感謝你關注“微軟研究院AI頭條”，我們期待你的留言和投稿，共建交流平臺。來稿請寄：msraai@microsoft.com。