构建聊天机器人: 检索、seq2seq、RL、SeqGAN

图片名称

本文将简要介绍聊天机器人的四种构建方法:检索seq2seqReinforcement LearningseqGAN

聊天机器人的现状

聊天机器人从应用领域分为:

  • 专业型
  • 通用型

从技术上分为:

  • 检索型
  • 生成型

目前聊天机器人在专业领域利用检索的效果较好,正朝着通用领域生成型发展。

检索

检索方法的数据库是很多对话的pair,其原理是将query编码成vector,然后在数据库中找最接近的query,然后将最接近的query的回答输出。注意点如下:

  • query的编码方式LSI:使用词袋模型或tf-idf对数据库中的query集进行编码得到矩阵$A$,行代表word,列代表document;对矩阵进行SVD分解得到$A = USV^T$,其中$V$表示文档在特征空间的特征向量;当新的query$q$来临时,对其做变换$S^{-1}U^Tq$得到特征空间的向量,然后用余弦相似性计算与数据库中qeury的相似度即可。这种方法的缺点是当新数据越多的时候误差越大,需要重新计算SVD,同时对于同义词、一词多义等语义特征难以把握。
  • query的编码方式RNN:可以采用两个RNN。第一个RNN对每句话进行编码到一个向量;第二个RNN对第一个RNN的输出继续编码成一个向量。
  • query的编码方式auto-encoder,设定encoder的单元数,encoder前面加embeding等,相当于特征压缩。
  • query编码好之后的问题就转变成了一个retrivel的问题,采用KNN即可,同时可采用KD-Tree、LSH优化检索速度。

seq2seq

seq2seq使用两个RNN,一个作为输入的encoder,一个作为输出的decoder。需要注意的大致包含以下几点:

  • encoder中可以包含上一句,也可以包含上上一句。如果包含多个句子,可以采用启发式的encoder,训练2 step的RNN。第一个RNN负责对每个句子进行建模,第二个RNN负责对第一层RNN的输出进行建模输出变量。
  • decoder每个step可以采用attention
  • train的时候loss为$C = \sum C_t$,$C_t = -\log(P(x_t|x_1,…,x_{t-1}))$,最小化loss等价于最大似然$\max P(x|h)$,$h$代表encoder的输入,$x$代表decoder的输出。

这里写图片描述

RL

为什么要用强化学习

seq2seq有一些缺点:

  • 只能计算前缀部分的概率(改进可用recursive neural network)
  • 使用最大似然估计模型参数

第一个缺点使seq2seq不容易理解文本,因为AI-requires being able to understand bigger things from knowing about small parts.

第二个缺点使seq2seq的对话不像真实的对话,只考虑当前对话最大似然忽略了对话对未来的影响,容易出现“I don’t know”(因为其概率最大,其他方向的相互抵消);对话重复(不考虑上下文的关系)等问题。

针对第二个缺点,我们了解到概率最高的输出不一定等于好的输出,好的对话需要考虑长久的信息。可以引入强化学习,人为设计相关的reward让机器更好地学习。

强化学习的架构设计

强化学习的本质是根据reward,使模型参数朝着reward增长最大的方向移动。
强化学习的聊天机器人架构设计如下:

这里写图片描述

其模型本质还是seq2seq,模型参数是$\theta$,模型输入是$h$,输出是$x$,其与seq2seq不同的地方在于模型参数的更新方式:seq2seq按照cross entropy确定损失函数,然后最小化损失函数;DL最大化期望的reward。

期望reward的计算公式如下:

$$\begin{split}
R_{\theta} &= \sum_{h} P(h)\sum_{x} P_{\theta}(x|h) R(h,x) \\
&=E_{h \sim P(h),x \sim P_{\theta}(x|h)} [R(h,x)] \\
&=\frac{1}{N} \sum_i R(h^i,x^i)
\end{split}$$

我们的优化目标是:

$$\theta^* = \arg \max_{\theta} R_{\theta}$$

Policy Gradient

在上一节中,我们得到了目标函数与优化目标,这节中,我们考虑如何求目标函数的梯度$\nabla R_{\theta}$。

上一节中得到$R_{\theta}$的方式是通过采样,通过采样的方法自然无法计算梯度实现梯度的传递。解决的思路是:将$R_{\theta}$转化成梯度的采样。具体实现如下:

$$\begin{split}
R_{\theta} &= \sum_{h} P(h)\sum_{x} P_{\theta}(x|h) R(h,x) \\
&=E_{h \sim P(h),x \sim P_{\theta}(x|h)} [R(h,x)] \\
&=\frac{1}{N} \sum_i R(h^i,x^i)
\end{split}$$

$$\begin{split}
\nabla R_{\theta} &= \sum_{h} P(h)\sum_{x} \nabla P_{\theta}(x|h) R(h,x) \\
&= \sum_{h} P(h)\sum_{x} P_{\theta}(x|h) \nabla \log{P_{\theta}(x|h)} R(h,x) \\
&=E_{h \sim P(h),x \sim P_{\theta}(x|h)} [R(h,x) \nabla \log{P_{\theta}(x|h)}] \\
&=\frac{1}{N} \sum_i R(h^i,x^i) \nabla \log{P_{\theta}(x^i|h^i)}
\end{split}$$

$\theta$的更新方式如下:

$$\theta \leftarrow \theta + \gamma \nabla R_{\theta}$$

这样更新的物理含义如下:

  • 当$R(h^i,x^i)$是正的,在更新后,$P_{\theta}(x^i|h^i)$会提高
  • 当$R(h^i,x^i)$是负的,在更新后,$P_{\theta}(x^i|h^i)$会降低

采用强化学习的模型与传统的seq2seq对比如下,其区别主要是强化学习对不同的loss用reward当做权重:

这里写图片描述

训练的整体过程如下:

这里写图片描述

Add Baseline

更新模型参数$\theta$的时候,如果reward都是正的,理想情况下对于单一的$h$,$P_{\theta}(x^i|h)$根据$R(h,x^i)$的大小进行更新,可是采样的$(h,x^i)$不一定能覆盖所有的情况,所以对reward要做baseline的设置。最简单的baseline就是$\frac{1}{N} \sum R(h,x^i)$。

加入baseline之后的梯度为:

$$\begin{split}
\nabla R_{\theta} &=\frac{1}{N} \sum_i R(h^i,x^i) \nabla \log{P_{\theta}(x^i|h^i)} \\
&\leftarrow \frac{1}{N} \sum_i (R(h^i,x^i)-b) \nabla \log{P_{\theta}(x^i|h^i)}
\end{split}$$

这里写图片描述

这里写图片描述

Reward设计

强化学习中,如果有人提供reward那是再好不过的了,不过这样投入的时间精力物力财力都很大,如何设计reward是这里讨论的问题。这里,提供三种reward的设计思路。

  • ease of answering

核心是P(“I don’t know”|response)比较小。

$$r_1 = -\frac{1}{N_{\mathbb{S}}} \sum_{s \in \mathbb{S}} \frac{1}{N_S} \log P_{seq2seq}(s|a) $$

虽然$\mathbb{S}$不可能覆盖所有的null回答空间,不过类似的回答在空间的位置都是很接近的,所以可以抽样去模拟。

  • non-repetitive

核心是希望agent在每一轮对话中都可以产生新的信息,因此对连续两轮相同的输出进行惩罚。

$$r_2 = -\log \cos(h^{i},h^{i+1})$$

  • semantic coherence

为了保证产生的answer是合乎语言模型的,语义连贯。

$$r_s = \frac{1}{N_a} \log_{seq2seq} P (a|q_i ,p_i ) + \frac{1}{N_{q_i}} \log_{seq2seq}^{backward} P (q_i|a )
a qi$$

最终的reward如下图所示:

这里写图片描述

SeqGAN

架构设计

SeqGAN与传统GAN一样,包括generator、discriminator。不同的是网络是condition的,也就是使用了condition GAN,generator condition的是query(因为RNN网络本身有随机性,所以这里不加随机的输入),discriminator condition的也是query。

这里写图片描述

SeqGAN训练的大致思路与GAN一致,对generator、discriminator分别训练。

这里写图片描述

离散梯度的传导

然而,若按上面传统GAN的架构设计,更新generator参数的时候梯度是无法传递的。原因是generator的输出是采样离散的,难以计算梯度进行梯度的反向传播。

这里写图片描述

简单的解决方案是采用WGAN,传递的不是采样离散的值而是分布。SeqGAN的解决方案借鉴了强化学习。

强化学习

采用强化学习的思路,将discriminator当做人,将discriminator的输出当做reward。利用policy gradient可以得到generator参数的更新方向(详见之前的强化学习部分),这样便解决了离散采样值梯度更新的问题。

这里写图片描述

使用强化学习,利用policy gradient解决了离散值梯度传递的问题后,还会出现对句子不同长度reward的分配问题。详见下图。这个问题在数据量大并且采样足够的情况不严重,在采样较少的情况较严重。

这里写图片描述

解决这个问题的思路是对每个generator的step都设置reward,具体如下。其中,$Q(h,x)$代表当前genetor出来的相对输入h的好坏,如何度量它是一个问题。

这里写图片描述

解决度量$Q(h,x)$的方法是蒙特卡洛,具体方法如下图。固定已知序列,用generator去生成未知序列,以已知序列为首的未知序列都可以用discriminator计算reward,最后取平均当做已知序列的reward。

这里写图片描述

Teaching Forcing

生成模型的训练通常很难,seqGAN中,初始的generator生成的x效果不好,因此discriminator给的reward很低,这样模型很难训练,因为它一直看到比较低的reward,也就是不好的数据,并不知道好的数据长什么样,自然很难像好的数据学习。

解决初始训练的思路是训练的时候更多的见到reward高的pair对,具体实施方法有两种:

  1. 按照reward采样,reward越大采样到的比例越高
  2. 增加更多的真实数据去训练

这里写图片描述

评估模型

这里涉及到如何去评估模型的好坏,传统的方式是BLEU,这里提供一种合成data的新思路。

BLEU

BLEU需要提供候选和参考集,采用n-gram计算:候选n-gram在参考集n-gram中出现的最大频数/候选n-gram的总数。需要注意的有两点:

  • 利用参考集n-gram的最大频数作为上限,防止重复大量n-gram得到较高的得分
  • 增大短句子的惩罚项,避免短句子得到较高的得分

其缺点如下:

  • 需要用reference data
  • 只关注当前的可能性,未关注对话的长期性持久性满意性

对话长度

对话长度一定程度上反应了对话的满意度。定义对话结束当且仅当产生”i dont know”这样的null response(方法参考ease to answer的reward设计)或者agent连着重复了两句同样的话(word overlapping的程度)。

多样性

对话应该是多样性的,这是检索模型的缺点,太固定了,而生成模型有一定的随机性。

方法是计算输出response中unigram、bigram的数量,同时用token长度做正则避免长句子分数较高。

Synthetic data

生成数据的方法,是先用LSTM(可以是random)产生很多pair作为真实数据。generator利用LSTM的数据学习,然后利用generator生成fake的answer,与真实的answer计算negative log likelihoood即可。

这里写图片描述