seq2seq聊天机器人

seq2seq聊天机器人

作者:魏祖昌

一、背景介绍

人工智能技术的进步,语音识别技术、自然语言处理等技术的成熟,智能客服的发展很好的承接当下传统人工客服所面临的挑战。智能客服能够24小时在线为不同用户同时解决问题,工作效率高等特点,这是传统人工客服不能替代的,它能为公司节省大量的人工客服成本。在这次疫情当中,由于总总原因,大家肯定多多少少都见识过各种各样的智能客服。本文就基于seq2seq来介绍一个聊天机器人。

二、seq2seq

Seq2Seq即Sequence to Sequence,是一种时序对映射的过程,实现了深度学习模型在序列问题中的应用,其中比较突出的是自然语言中的运用。它主要由Encoder和Decoder两个部分组成,正如图一所示。

seq2seq聊天机器人_第1张图片

图一:论文中seq2seq结构(https://arxiv.org/pdf/1409.3215.pdf
seq2seq模型的encoder非常简单(上图中ABC对应的部分),就是RNN,可以是多层(GRU,LSTM)。decoder在训练和测试的时候,稍微有点不同。decoder训练的时候输入由两部分组成,一部分是encoder的last state,另一部分是target序列,如上图中的第一个 WXYZ;其中两个表示的是序列开始符和结束符;decoder测试的时候输入也是由两部分组成,一部分是encoder的last state,另一部分是来自于上一个时刻的输出(上一个时刻的输出作为下一个时刻的输入),直到某个时刻的输出遇到结束符为止。
但是seq2seq有一个很明显的缺点,即无论之前的encoder的context有多长,包含多少信息量,最终都要被压缩成一个固定维度的vector。这意味着context越大,decoder的输入之一的last state 会丢失越多的信息。这就会导致当输入自然语言长度越长,模型丢失的信息就越多,表现的就越差。

三、attention

为了解决seq2seq中压缩称固定长维度的vector,使得上一层给下一层的信息是符合一定分布的,即有一定的权值,使得更有价值的消息能够传递下去。
seq2seq聊天机器人_第2张图片

图二:attention机制原理(https://arxiv.org/pdf/1409.0473)))

如上图所示,利用 $\overrightarrow{\alpha_{t}}$ 我们可以进行加权求和得到相应的context vector $\overrightarrow{c_{t}}=\sum_{j=1}^{T} \alpha_{t j} h_{j}$ 。这也是attention机制中的关键操作,计算encoder与decoder state之间的关联性的权重,得到Attention分布,从而对于当前输出位置得到比较重要的输入位置的权重,在预测输出时相应的会占较大的比重。

通过Attention机制的引入,我们打破了只能利用encoder最终单一向量结果的限制,从而使模型可以集中在所有对于下一个目标单词重要的输入信息上,使模型效果得到极大的改善。还有一个优点是,我们通过观察attention 权重矩阵的变化,可以更好地知道哪部分翻译对应哪部分源文字,有助于更好的理解模型工作机制,如下图三所示。
seq2seq聊天机器人_第3张图片

图三:attention权值变化图片

四、训练结果

该聊天机器人就是由seq2seq和attention机制共同构成。该模型设置了训练5000次训练次数,训练结果如图四所示。项目具体代码下方有链接。(注意需要keras 2.2.1版本才能跑起来)
seq2seq聊天机器人_第4张图片

图四:训练结果(train.py)
在训练完成之后,会把训练模型存放在model文件夹下,然后我们运行chat_robot.py,我们就能看见图五聊天机器人的结果了。如果还想添加更多的聊天语料的话,请将question.txt和answer.txt放在corpus文件夹中,在重新进行模型训练即可。

seq2seq聊天机器人_第5张图片
图五:聊天机器人截图

还可以通过word2vec_plot.py看到word2vec向量分布图,效果如图六所示。

seq2seq聊天机器人_第6张图片
图六:word2vec向量分布图

项目地址:https://momodel.cn/workspace/5eba52f8d99e51afef3bfea2?type=app(推荐在电脑端使用Google Chrome浏览器进行打开)

引用

  1. seq2seq:https://blog.csdn.net/rxm1989/article/details/79459739
  2. attention:https://zhuanlan.zhihu.com/p/47063917
  3. 代码来源:https://github.com/EuphoriaYan/ChatRobot-For-Keras2

关于我们

Mo(网址:https://momodel.cn) 是一个支持 Python的人工智能在线建模平台,能帮助你快速开发、训练并部署模型。

近期 Mo 也在持续进行机器学习相关的入门课程和论文分享活动,欢迎大家关注我们的公众号获取最新资讯!

seq2seq聊天机器人_第7张图片

你可能感兴趣的:(人工智能,机器学习)