干货 | 论文解读：基于动态词表的对话生成研究

​ 编者按：近年来，聊天机器人在飞速发展，很多人也对机器人的对话系统产生了很大兴趣。近期，北京航空航天大学—微软亚洲研究院联合培养博士生吴俣应邀参加了PaperWeekly优质论文线上直播分享活动，带大家回顾了近几年来聊天机器人的发展，对比了检索式和生成式聊天机器人的优缺点，并以第一作者的身份解读了北京航空航天大学和微软亚洲研究院在AAAI 2018上发表的有关基于动态词表对话生成研究的论文Neural Response Generation with Dynamic Vocabularies。 一起来看看吧！文章转载自公众号“PaperWeekly”。

浅析对话系统

​

对话系统主要分为两类，一类是任务型，另一类是非任务型。任务型对话系统主要应用于企业客服、订票、天气查询等场景，非任务型驱动对话系统则是指以微软小冰为代表的聊天机器人形式。 

之所以强调这一点，是因为今年我在ACL发表了一篇论文，有同学发邮件问我为什么参考了论文和源代码，还是无法让聊天机器人帮忙订披萨。我只能说，目前聊天机器人实在种类繁多，有的机器人只负责闲聊，有的机器人可以帮你完成某些特定任务。 

本次 Talk 会更侧重于介绍闲聊机器人，也就是非任务驱动型对话系统。首先我想给大家推荐一篇关于聊天机器人的综述文章 — A Survey on Dialogue Systems: Recent Advances and New Frontiers。

这篇文章来自京东数据科学团队，是一篇较为全面的对话系统综述，其中引用了 121 篇相关论文，并对论文进行了归类。不仅非常适合初学者，也能让大家对聊天机器人领域有一个更为全面的认识。

​面向任务的对话系统主要分为知识库构造、自然语言理解、状态跟踪和策略选择。针对知识库构造，假设我们的使用场景为酒店预订，那首先我们需要构建一些和酒店相关的知识，比如酒店房型、报价以及酒店位置。

具备了这些基础知识之后，接下来就需要展开对话，通过自然语言理解去分辨问题类型（酒店类型、房间类型等）。确认好相关类型后，我们需要借助 policy 模块，让系统切换到下一个需要向用户确认的信息。更直观地说，我们需要循循善诱引导用户将右表信息填写完整。

聊天机器人类型

普遍来说，聊天机器人主要分为两类，我认为准确来说应该分为三类。

比较早期的研究基本属于第一类： 基于模板的聊天机器人，它会定义一些规则，对你的话语进行分析得到某些实体，然后再将这些实体和已经定义好的规则去进行组合，从而给出回复。这类回复往往都是基于模板的，比如说填空。

除了聊天机器人，这种基于模板的文本形成方式还可以应用于很多其他领域，比如自动写稿机器人。

目前比较热门的聊天机器人应该是另外两类，一类是检索型，另一类则是生成型。 检索型聊天机器人，主要是指从事先定义好的索引中进行搜索。这需要我们先从互联网上获取一些对话 pairs，然后基于这些数据构造一个搜索引擎，再根据文本相似度进行查找。

生成型聊天机器人目前是研究界的一个热点。和检索型聊天机器人不同的是，它可以生成一种全新的回复，因此相对更为灵活。但它也有自身的缺点，就像图中的婴儿那样，它有时候会出现语法错误，或者生成一些没营养的回复。

​ 检索型聊天机器人首先需要构建一些文本和回复的 pairs，然后再训练匹配模型，上线之后先做检索再做匹配。相似度算法有很多种选择，现在一般都采用深度学习，如果是做系统的话，肯定需要融合很多相似度的特征。

生成模型大多都是基于 Seq2Seq 框架进行修改，所谓万变不离其宗，不管大家怎么做，都会是以这个框架为基础。文本生成也是如此，在 RNN 语言模型和 Seq2Seq 出来之后，几乎所有生成模型都是基于这个框架。即使把 RNN 换成 CNN 或 Attention is All You Need，也仍然离不开这个框架。

检索型VS生成型

检索型聊天机器人的最大优点在于它的回复多样且流畅，其次，这个系统对编程者的入门门槛较低。即使你对深度学习和自然语言处理不甚了解，但只要你善于写代码，并且能从网上抓取一定量的数据，就可以搭建一个检索型聊天机器人。

另外，对于研究人员来说，检索型聊天机器人比较易于评测，借助 MAP、MRR、NDCG 等传统信息检索方法即可完成。 

检索型聊天机器人的缺点在于它过于依赖数据质量。如果你抓取的数据质量欠佳，那就很有可能前功尽弃。

就工业界来说，要评估某个检索型聊天机器人，首先我们会看其背后的排序算法，其次不能忽略的则是数据质量和规模，最后再看其回复数据是否足够有趣，以上几个因素共同决定着检索型聊天机器人的整体质量。 

生成模型的最大优势在于有一套通用 code，可以忽略语言直接开跑。只要在某种语言上跑得较为顺利，就可以将其应用到所有语言上。

很多人认为 safe responses 是生成式聊天机器人的一个缺点，但其实从某种角度上来说，这也是它的一个优点。相比检索型聊天机器人，它生成的回复质量较为稳定。

生成模型的另一个优点是，它非常容易实现多轮对话，并且能够偏向于某种情感。假设我希望生成一句高兴的话，那么用生成模型会比检索模型更容易实现。 

对于早期的研究者来说， 生成模型的最大缺点在于它的回复较为单一。其次， 由于缺乏自动评评测手段，研究人员难以对生成式聊天机器人进行评估。一个模型的好坏，更多需要靠人进行标注。此外，对工业界而言，生成式聊天机器人的门槛会相对较高。

怎样提高生成的多样性

​ 第一种方法是将模型做得更复杂，比如上图这篇论文使用了 latent variable 来解决 boring responses 这个问题。

上图中的论文，则是 在生成时将概率 bias 到一些特定的主题词。假设某个词是主题词，我们就在生成过程中相应提高它被选中的概率。

​ 第二个流派是采用重排序方法，目前最简单有效的方法是先用生成模型生成大量回复，再用分类器对回复进行排序，排名越靠前效果越好。只要生成的回复数量够多，该方法就一定可行。

​

第三种方法是基于增强学习的。增强学习有两种不同方法，一种基于策略，另一种基于价值。

基于策略的代表作来自李纪为，其基本思路是：假设已有生成模型 G，给定一个 input 并生成 20 个回复，利用排序公式 P(S|T) λP(T|S) 对回复进行评分作为 reward。Reward 值越大，梯度更新则相应越大。

我们再来看看 GAN 的相关方法。李纪为对 SeqGAN 的模型加以改进，将其用在了回复生成上。

其基本思路是，每生成一个词的同时，用搜索的方法去搜索其最后生成的完整句子，然后用 discriminator D 对其进行评分，分值越高，意味着词的 reward 也越高。之后的思路则跟 SeqGAN 一模一样。

本文思路

​

我们做这篇论文的初衷，是为了提出一种不借助繁重工具或算法的回复生成方法。因为无论是复杂模型、后排序、增强学习还是 GAN，都属于一种用时间换精度的方法。 

我们希望在避免产生大量时间开销的同时，还能提高回复生成的质量。 提升效率的关键在于 Seq2Seq 的最后一层 — 投影层，这个投影往往会是一个大型矩阵。

我们认为其实没有必要形成这个大型矩阵，因为有用词汇仅有很小一部分，而这一小部分词汇就足够生成一句非常流畅、高度相关的话。比如对“的地得”这类功能词和与 input 相关度较高的词做一个并集，就可以仅用一个小规模字典生成极为流畅的有效回复。 

详细来说，我们会给每一个 input 构建一个动态词典。这么做的目的是为了减少在线 decoding 时间，同时对不相关词进行剔除。

本文其实是在 Seq2Seq 的基础上加了一个动态词表，每给一个 input，我们会生成两类词。

第一类词的生成完全基于规则，即静态词典。静态词典主要包含一些功能词，功能词主要起润滑剂的作用，它们能让一句话的语法变得通畅。静态词典是基于词性构建的，主要包含代词和助词，名词和动词不包含在内。 

第二类词是内容词，即动态词典。动态词典是根据 input 猜测与其相关的词，即我们可以用哪些词对 input 进行回复。这个词典的构建不能再像静态词典那样基于词性，而是要借助分类器或词预测模型，预测哪些词和已给定的 input 相关。 

有了这两个词之后，我们就可以给每个 input 构建一个词典。这个词典的规模会很小，很小的概念是指原来的词典规模是 3 万，现在能缩减到 1000-2000 这个量级。

从矩阵乘法角度来看，如果能把一个矩阵从 N 乘以三万的维度，缩减到 N 乘以一千的维度，就可以大大提升矩阵乘法的运算速度。

词预测模型

接下来我们来看如何做词预测，即如何对内容词（content words）进行预测。内容词的 input vector 是 encoder 生成的 vector。有了 vector 后，我们需要过一个回归模型（MLP），继而预测需要用到哪些词。这个预测的损失就是将最后出现在回复里的词作为正例（标签为 1），再随机采样一些负例作为 0 标签的词，从而进行预测。 

如何采样负例非常关键。剔除掉一句话中的功能词，大概会剩下 10-15 个正例的词。我们需要通过频率对负例进行采样，如果一个词经常出现，那么它被采样为负例的几率就会很大。 

通过对负例进行采样，我们在进行词预测时，可以更准确地预测出内容词是什么。反之，这个词预测模型会跟 Seq2Seq 生成回复模型出现同样的问题，即总是出现高频词。只有利用频率对负例进行采样，才能让高频词在构建词典时就被剔除。

时间复杂度

​

​

在介绍完词预测方法后，我们来看时间复杂度的计算，即以什么样的速度进行 decoding。

首先将 Seq2Seq 和本文的 decoding 方法进行对比，可以发现二者在 GRU 和 Attention 上花费的时间完全一致，但是 本文方法在 Projection 上花的时间会少很多。

原因在于 Seq2Seq 的 vocabulary size 通常都很大，比如 3 万这种级别乘出来的数。而本文这个 T 可能只有几千，并且 我们无需为每个词建立一个表，而是为每一句话建立一个表。因此，我们构建词典的时间开销要远小于从全局字典里进行词预测。

当然，这种情况的前提是回复词数需大于 1。当回复词数等于 1 时，即逐词预测，本文方法反而会比 Seq2Seq 变得更慢。也就是说，在词的数量越多的时候，词典规模越小，节省的时间也就越多。

经实验证明， 这种方法相比 Seq2Seq 能节省约 40% 的时间。

模型训练​

​

​

​

如果只对动态词典进行训练，将导致训练和预测的时候出现一些 gap。即使在训练的时候就采用动态词表这种方法，也依然会面临一个问题，就是你不知道选词这个过程会对你做回复造成什么影响。

为了解决这个问题， 我们在训练时选择将动态词典作为一个隐变量来处理。针对公式的详细推导，大家可以参考论文。 

由于是隐变量，假设动态词典 T 是完全变例，即一个词有选或者不选这两种可能。如果有 3 万个词，那么 T 就有 2 的三万次方这么大，因此这种方法是不可行的。那我们应该怎么做呢？

​这样一来，我们就可以把词典构建和回复生成这两个损失串在一起，相当于放入一同一个公式里表示，而不是将词典和生成分开单独训练。利用逐次采样得出的结果，来评估动态词典在不同情况下，其相对应的回复生成的损失是什么。 

由于这个损失是通过采样得出，因此它会和 RL 一样存在 variance。因此我们加了一个 baseline BK 用于梯度更新，从而使训练更为稳定。

实验

​ 本文实验所用数据来自我们之前的一篇文章，这些词可以覆盖约 99% 的词。

​

​

​

目前研究界仍未找到一个很好的自动指标，能用于回复生成或对话评测。

现有的方法可分为四类：

第一类方法是计算 BLEU 值，也就是直接计算 word overlap、ground truth 和你生成的回复。由于一句话可能存在多种回复，因此从某些方面来看，BLEU 可能不太适用于对话评测。

第二类方法是计算 embedding 的距离，这类方法分三种情况：直接相加求平均、先取绝对值再求平均和贪婪匹配。

第三类方法是衡量多样性，主要取决于 distinct-ngram 的数量和 entropy 值的大小。

最后一种方法是图灵测试，用 retrieval 的 discriminator 来评价回复生成。

​

表 1 中的前四行是 baseline，DVS2S 是将词预测和 Seq2Seq 的损失串在一起计算，S-DVS2S 则是对这两个 loss 分别进行计算。从结果可以看出，DVS2S 的效果均优于其他方法。 

表 2 是人工标注结果，数值 0 和 2 分别代表最差效果和最优效果，Kappa 则指三者的一致性。人工标注得到的 Kappa 值通常较低，也就是说，即使让真人来进行评测，也很难得到一致性的评价。

​

​

总结

首先，我们将静态词典换成了动态词典，用于聊天机器人中的回复生成。其次，我们提出了一种全新的方法，将词预测损失和回复生成的损失融入到同一个损失函数，以 joint 的方式对这个函数进行优化。最后，我们基于一个大规模数据集，对本文模型的效率和效果进行了验证。

​