DeepPavlov：一个训练对话系统和聊天机器人的开源库

项目地址： https://github.com/deepmipt/DeepPavlov

这是一个开源的对话 AI 库，建立在 TensorFlow 和 Keras 上，其用途是：

• NLP 和对话系统研究；

• 复杂对话系统的实现和评估。

我们的目标是为研究者提供：

• 用于实现和测试他们自己的对话模型并随后将模型共享的框架；

• 一系列预定义的 NLP 模型/对话系统组件（机器学习/深度学习/规则系统）和流程模板；

• 对话模型的基准测试环境和对相关数据的系统性评估。

并为 AI 应用开发者提供：

• 建立对话软件的框架；

• 将应用与对应基础建设（通讯、技术支持软件等）相集成的工具。

项目特征

格位填充组件（Slot filling component）：基于命名实体识别（NER）神经网络和模糊 Levenshtein 搜索，以从文本中提取归一化的格位值（slot values）。NER 网络组件根据论文《Application of a Hybrid Bi-LSTM-CRF model to the task of Russian Named Entity Recognition》重新生成了架构，由《Neural Architectures for Named Entity Recognition》中的 LSTM+CRF 架构所启发。

专用分类组件：基于论文《Convolutional Neural Networks for Sentence Classification》中的 shallow-and-wide CNN 架构。该模型允许语句的多标签分类。

自动拼写和校正组件：基于论文《An Improved Error Model for Noisy Channel Spelling Correction》，并使用基于统计学的误差模型、一个静态词典和一个 ARPA 语言模型以校正拼写错误。

目标导向的对话机器人：基于论文《Hybrid Code Networks: practical and efficient end-to-end dialog control with supervised and reinforcement learning》中的 Hybrid Code Networks 架构。它允许在目标导向任务的对话中预测回应。该模型是相当可定制的：嵌入、格位填充器和专用分类器可以根据需要使用或者不用。

为俄语预训练的嵌入：在联合俄语 Wikipedia 和 Lenta.ru 语料库词向量上进行预训练得到的词嵌入。

简单示例

用 Telegram 部署目标导向的对话机器人和格位填充（slot-filling）的视频 demo：

• 用 Telegram 接口运行目标导向的对话机器人：

python deep.py interactbot skills/go_bot/config.json -t <TELEGRAM_TOKEN>

• 用控制台接口运行目标导向的对话机器人：

python deep.py interact skills/go_bot/config.json

• 用 Telegram 接口运行格位填充模型：

python deep.py interactbot models/ner/config.json -t <TELEGRAM_TOKEN>

• 用控制台接口运行格位填充模型：

python deep.py interact models/ner/config.json

概念简述

原则

这个库遵循以下原则设计：

• 将端到端学习架构作为长期目标；

• 目前采用混合的机器学习/深度学习/规则系统的架构；

• 模块化的对话系统架构；

• 基于组件的软件工程，最大化复用性；

• 易于扩展和基准测试；

• 为单个 NLP 任务提供多个组件，通过数据驱动选择合适的组件。

目标架构

我们的库的目标架构：

DeepPavlov 建立在机器学习库（TensorFlow、Keras）之上。可以用其它外部的库建立基础组件。

关键概念

• Agent（智能体）：对话智能体用自然语言（文本）和用户进行交流。

• Skill（技能）：用于满足用户需求的交互单元。通常可以通过展示信息或完成任务（例如，通过 FAQ 回答问题等）；然而，根据经验，某些任务的成功会被定义成连续的进展（例如，闲聊）。

• Components（组件）：基础功能模块：

• Rule-based Components（基于规则的组件）—无法训练；

• Machine Learning Components（机器学习组件）—仅能独立训练；

• Deep Learning Components（深度学习组件）—可以独立地训练，也能以端对端的方式结合到工作链中。

• Switcher（转换器）：智能体排序和选择向用户展示的最终应答的机制。

• Components Chainer（组件链接器）：从各种组件（Rule-based/ml/dl）构建智能体/组件管道的工具，允许以整体的形式训练和推理管道。

技术概览

项目模块

配置

NLP 的流程配置为 JSON 文件，它包含四个元素：

{
  "dataset_reader": {
  },
  "dataset": {
  },
  "vocabs": {
  },
  "model": {
  }
}

配置文件中每一个类都有一个 name 参数，它是注册的代码名。通过重复它的__init__() 方法参数，我们可以定义其它任何参数。__init__() 参数的默认值在类的实例初始化中被配置值覆盖。

数据集读取器

DatasetReader 类能读取数据并返回特定的格式。一个具体的 DatasetReader 类应该从基本的 deeppavlov.data.dataset_reader.DatasetReader 类继承，并注册为代码名：

@register('dstc2_datasetreader')
class DSTC2DatasetReader(DatasetReader):

数据集

Dataset 类构成我们所需的数据集（「训练」、「验证」和「测试」）和批量数据。一个具体的 Dataset 类应该注册并可以从 deeppavlov.data.dataset_reader.Dataset 类继承。

deeppavlov.data.dataset_reader.Dataset 类不是抽象类，它同样可以像 Dataset 类那样使用。

词汇

Vocab 是一个可训练的类，它能构建和序列化词汇。Vocab 能索引任何数据，它能索引 X（特征）和 y（回答）类型的数据。一个具体的 Vocab 类应该注册并可以从 deeppavlov.data.vocab.DefaultVocabulary 类继承。

deeppavlov.data.vocab.DefaultVocabulary 并不是一个抽象的类，它同样可以像 Vocab 类那样使用。

模型

Model 是制定训练、推断过程和生成特征的主要类。如果模型需要其它模型生成特征，那么就需要将其传递到构造函数和配置文件中。所有的模型可根据需要嵌套，例如 deeppavlov.skills.go_bot.go_bot.GoalOrientedBot 主要由 11 个独立的 Model 类构建，其中有三个为神经网络：

{
  "model": {
    "name": "go_bot",
    "network": {
      "name": "go_bot_rnn"
    },
    "slot_filler": {
      "name": "dstc_slotfilling",
      "ner_network": {
         "name": "ner_tagging_network",
      }
    },
    "intent_classifier": {
      "name": "intent_model",
      "embedder": {
        "name": "fasttext"
      },
      "tokenizer": {
        "name": "nltk_tokenizer"
      }
    },
    "embedder": {
      "name": "fasttext"
    },
    "bow_encoder": {
      "name": "bow"
    },
    "tokenizer": {
      "name": "spacy_tokenizer"
    },
    "tracker": {
      "name": "featurized_tracker"
    }
  }
}

所有模型都应该注册并从 deeppavlov.core.models.inferable.Inferable 或 Inferable 和 deeppavlov.core.models.trainable.Trainable 接口继承。从 Trainable 继承的模型可以继续训练，从 Inferable 接口继承的模型只能执行推断。通常，Inferable 模型是基于规则的模型或从第三方库导入的预训练模型。

训练

所有从 deeppavlov.core.models.trainable.Trainable 接口继承的模型都可训练，训练过程在 train() 方法中有详细描述。

@register("my_model")
class MyModel(Inferable, Trainable):

   def train(*args, **kwargs):
       """
       Implement training here.
       """

所有在实验中可以改变的训练参数（如 Epoch 数、批量大小、容忍度、学习率个优化器等）都应该传递到模型的构造函数__init__()，且__init__() 中的默认参数值将会被 JSON 配置值覆盖。要改变这些值，我们不需重写代码，只需要修改配置文件就行。

训练过程由 train_now 属性控制。如果 train_now 为真，表示模型正在执行训练。在使用 Vocab 时，这个参数十分有用，因为可以在单个模型中训练一些词汇，而另一些词汇只会在流程中的其它模型上执行推断。JASON 配置文件中的训练参数以设置成：

{
  "model": {
    "name": "my_model",
    "train_now": true,
    "optimizer": "Adam",
    "learning_rate": 0.2,
    "num_epochs": 1000
  }
}

推断

所有从 deeppavlov.core.models.inferable.Inferable 接口继承的模型都能执行推断。infer() 方法应返回模型可执行的操作，例如分词器应该返回符号、命名实体识别器应该返回识别的实体等。此外，infer() 中应该定义特定格式的返回数据。

推断由 deeppavlov.core.commands.train.infer_model_from_config（）函数触发，并不需要单独的 JSON 进行推断，且 train_now 参数在推断中也会被忽略。