基于知识图谱的多轮对话系统

基于知识图谱的多轮对话系统

一.项目来源

之前实习的时候，天天开会听大佬们利用rasa构建知识图谱多轮对话，虽然那个时候啥都没有吸收到，但知识图谱多轮对话系统渐渐扎根在我的脑海里面，一定要实现一个demo

这边很感谢B站up主 “每天都要机器学习”，跟着老师的知识图谱视频也慢慢懂了怎么搭建图谱，怎么意图识别，怎么槽位填充，还有哪些不足之处？

二.项目架构

老师的PPT里面对这个项目的整体流程图进行了解析

简化版代码运行流程图如下所示

这个项目已实现的功能：

1.知识图谱的构建
2.基于知识图谱的多轮对话
效果图：

具体代码运行流程图如下所示

以用户输入“请问糖尿病是什么”为例：

NLU模块

1）先进入分类模型 1，判断是否是闲聊类的意图，包括：greet、goodbye、deny、isbot、accept、diagnose

如果命中前四个意图，那就进入gossip_robot，从准备好的回复预料中随机抽取一条返回给用户，对话结束；

命中accept意图,则在进行问题澄清时发生作用

命中diagnosis,进入medical_robot；

对于“请问糖尿病是什么”这句话，命中的是diagnosis,进入medical_bot

2）在medicall_bot,中，先进入分类模型（意图识别）（bert+textcnn）,该模型是针对13个医疗类的意图进行判断,之后进入实体抽取模型（bilstm+crf）,进行实体识别与提取；

意图识别的结果：

{'confidence': 0.9402524828910828, 'name': '定义'}

可以看出来模型对“请问得了糖尿病是什么”识别出来客户想问的是糖尿病的定义
实体抽取的结果：

[{'entities': [{'type': 'disease', 'word': '糖尿病'}], 'recog_label': 'model', 'string': '糖尿病是什么'}, {'entities': [{'recog_label': 'dict', 'type': 'disease', 'word': '糖尿病'}], 'string': '糖尿病是什么'}]

DST模块

3）得到意图和实体之后，先用实体填充槽位

参考https://www.writebug.com/explore/userinfo/kailai大佬的说法，NLU和DST的关系非常紧密，都是在槽位填充过程中发挥了作用，但是在这个过程中扮演了不同的角色：

NLU模块是对用户的输入进行意图的分类，同时对输入中的实体进行标注，

{'entities': [{'type': 'disease', 'word': '糖尿病'}], 'recog_label': 'model', 'string': '糖尿病是什么'}

这里标出了实体的类型（type）,对应知识图谱中的结点，同时标出对应的字段(word),但是还没有填充，只是把实体找出来了

DST模块则是基于对话历史，为槽位列表中的每一个槽位找到了一个槽位值

    "定义":{
        "slot_list" : ["Disease"],
        "slot_values":None,
        "cql_template" : "MATCH(p:疾病) WHERE p.name='{Disease}' RETURN p.desc",
        "reply_template" : "'{Disease}' 是这样的：\n",
        "ask_template" : "您问的是 '{Disease}' 的定义吗？",
        "intent_strategy" : "",
        "deny_response":"很抱歉没有理解你的意思呢~"
    }

上面这个是“定义”这个意图下的信息（form）,槽位列表中只有一个槽位“Disease”

    "治疗方法":{
        "slot_list" : ["Disease"],
        "slot_values":None,
        "cql_template" : ["MATCH(p:疾病) WHERE p.name='{Disease}' RETURN p.cure_way",
                        "MATCH(p:疾病)-[r:recommand_drug]->(q) WHERE p.name='{Disease}' RETURN q.name",
                        "MATCH(p:疾病)-[r:recommand_recipes]->(q) WHERE p.name='{Disease}' RETURN q.name"],
        "reply_template" : "'{Disease}' 疾病的治疗方式、可用的药物、推荐菜肴有：\n",
        "ask_template" : "您问的是疾病 '{Disease}' 的治疗方法吗？",
        "intent_strategy" : "",
        "deny_response":"没有理解您说的意思哦~"
    }

上面这个是“治疗方法”这个意图下的信息（form）,槽位列表中只有一个槽位“Disease”

“在每一轮对话中，DST 模块都会查看截止目前的所有对话历史，然后确定哪个文本可以填充为槽位列表中某个特定槽位的槽位值，这个过程谓之追踪(Dialogue State Tracking)。”
“在这个项目中，这一步是通过遍历槽位列表和实体识别的结果进行匹配完成的。”

比如在“糖尿病是什么”这个例子中，识别到意图为“定义”，又NER判断的type是“disease",则对应form中slot_values:{“disease”:糖尿病}，你可以理解成，slot_list就是需要填充的槽位，而各个槽位上的值则交给slot_values

PL模块

4）之后根据意图的置信度"confidence"确定回复策略

这里分成了三种简单的情况：

=0.8，根据识别到的意图去neo4j中查询答案，返回给用户
0.3~0.8，反问用户，进行问题澄清，例如机器人会说"请问您是问糖尿病的治疗方法吗？"
<0.3,返回已经准备好的兜底话术，例如"I am sorry"

“DST 模块 +PL 模块组成了任务型对话机器人中的对话管理(DM)模块，在这个项目中界限并不是特别明显，主要实现逻辑都在 modules.py 文件的 semantic_parser 函数中。”

这次就先说到这里，下次再结合数据集和运行测试，如何避免我走的坑再细说

注：可以反复看看前面发的流程图，核心思想都在里面啦~~~~~~~~~

最后也感谢各位google上面的大佬的博文讲解

之后附上gitee个人仓库链接