构建聊天机器人：检索、seq2seq、RL、SeqGAN

本文将简要介绍聊天机器人的四种构建方法：检索、seq2seq、Reinforcement Learning、seqGAN。

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=USVT ，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−1UTq 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=∑Ct ， Ct=−log(P(xt|x1,...,xt−1)) ，最小化loss等价于最大似然 maxP(x|h) ， h 代表encoder的输入， x 代表decoder的输出。

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：

其模型本质还是seq2seq，模型参数是 θ ，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：

Rθ=∑hP(h)∑xPθ(x|h)R(h,x)=Eh∼P(h),x∼Pθ(x|h)[R(h,x)]=1N∑iR(hi,xi)

我们的优化目标是：

θ∗=argmaxθRθ

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 ∇Rθ 。

上一节中得到 Rθ 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 Rθ 转化成梯度的采样。具体实现如下：

Rθ=∑hP(h)∑xPθ(x|h)R(h,x)=Eh∼P(h),x∼Pθ(x|h)[R(h,x)]=1N∑iR(hi,xi)

∇Rθ=∑hP(h)∑x∇Pθ(x|h)R(h,x)=∑hP(h)∑xPθ(x|h)∇logPθ(x|h)R(h,x)=Eh∼P(h),x∼Pθ(x|h)[R(h,x)∇logPθ(x|h)]=1N∑iR(hi,xi)∇logPθ(xi|hi)

θ 的更新方式如下：

θ←θ+γ∇Rθ

这样更新的物理含义如下：

• 当 R(hi,xi) 是正的，在更新后， Pθ(xi|hi) 会提高
• 当 R(hi,xi) 是负的，在更新后， Pθ(xi|hi) 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：

训练的整体过程如下：

Add Baseline

更新模型参数 θ 的时候，如果reward都是正的，理想情况下对于单一的 h ， Pθ(xi|h) 根据 R(h,xi) 的大小进行更新，可是采样的 (h,xi) 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 1N∑R(h,xi) 。

加入baseline之后的梯度为：

∇Rθ=1N∑iR(hi,xi)∇logPθ(xi|hi)←1N∑i(R(hi,xi)−b)∇logPθ(xi|hi)

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。

r1=−1NS∑s∈S1NSlogPseq2seq(s|a)

虽然 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。

r2=−logcos(hi,hi+1)

• semantic coherence

为了保证产生的answer是合乎语言模型的，语义连贯。

rs=1Nalogseq2seqP(a|qi,pi)+1Nqilogbackwardseq2seqP(qi|a)aqi

最终的reward如下图所示：

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。

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

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。

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。

Monte Carlo Search

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。

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。

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。

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

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。