人工智能現(xiàn)在的火熱程度大家有目共睹，凱文凱利在《必然》中預(yù)測未來時(shí)代的人工智能可能會重新定義人類的意義，但時(shí)下的人工智能發(fā)展水平顯然還沒有大家想象得那么美好，仍然需要我們不斷地探索。目前眾多研究人員正深耕其中，作為其中代表的聊天機(jī)器人（Chatbot），已然成為科研界研究的熱點(diǎn)。
通常來說聊天機(jī)器人實(shí)現(xiàn)方式有兩種：一種是基于生成式，即機(jī)器人“自己說話”，一個(gè)字一個(gè)字創(chuàng)作出回復(fù)語句來。另外一種是基于檢索式，即機(jī)器人“轉(zhuǎn)發(fā)”別人的話。從互聯(lián)網(wǎng)大家的話語中尋找到合適的回答予以轉(zhuǎn)發(fā)。
現(xiàn)有的生成結(jié)果由于技術(shù)所限，或多或少都存在語句不流暢的問題，但能夠做到“有問必答”偶爾還能蹦出“彩蛋”。檢索的模型一般流暢性方面無須擔(dān)心，不過隨著目前網(wǎng)絡(luò)資源的日益豐富，語料規(guī)模也越來越大，如何從眾多語句中選擇合適的句子作為回復(fù)是檢索式聊天機(jī)器人的核心問題。
雖然目前市場上的聊天機(jī)器人眾多，但我們見到的那些貌似都不是那么聰明。最直觀的一個(gè)體現(xiàn)就是前后不連貫，上下難銜接，因此在進(jìn)行檢索的時(shí)候考慮歷史信息則顯得尤為重要。那么如何讓機(jī)器人理解對話歷史信息從而聰明地進(jìn)行回復(fù)呢？微軟亞洲研究院的研究員們提出了一個(gè)模型 Sequential Matching Network（SMN）。相關(guān)論文的作者吳俁談到“SMN 模型可以讓聊天機(jī)器人準(zhǔn)確的理解當(dāng)前和用戶的對話歷史，并根據(jù)歷史給出最相關(guān)的回復(fù)，與用戶進(jìn)行交流，達(dá)到人機(jī)對話的目的。”
但這在實(shí)現(xiàn)的過程中也遇到不少難點(diǎn)，“精準(zhǔn)計(jì)算聊天歷史和候選回復(fù)的語義相似度十分困難，主要的挑戰(zhàn)有兩個(gè)方面：（1）由于聊天歷史信息繁多，如何將歷史中重要的詞語、短語以及句子選擇出來，并通過這些重要部分刻畫聊天歷史，是一個(gè)亟待解決的問題；（2）如何對聊天歷史中的各輪對話進(jìn)行建模，如何判斷對話歷史中的跳轉(zhuǎn)，順承等關(guān)系，也是一個(gè)棘手的問題。” 那么論文作者提出的 SMN 模型又是如何解決這兩個(gè)問題的呢，接下來我們將為您解讀。
▲ 圖1：SMN網(wǎng)絡(luò)架構(gòu)
SMN 模型一共分為三層。第一層為信息匹配層，對之前的歷史信息和待回復(fù)的句子進(jìn)行匹配度計(jì)算：同時(shí)進(jìn)行詞語（embedding 向量）和短語級別（GRU 表示）的相似度計(jì)算。然后再把這兩個(gè)矩陣分別作為卷積神經(jīng)網(wǎng)絡(luò)的一個(gè) channel，利用 CNN 的 max-pooling 進(jìn)行特征抽象，形成一個(gè)匹配向量。第二層為匹配積累層，利用一個(gè) GRU 神經(jīng)網(wǎng)絡(luò)，將每一句話和回復(fù)所計(jì)算出的匹配信息進(jìn)一步融合。第三層為匹配結(jié)果預(yù)測層，利用融合的匹配信息計(jì)算最終的匹配得分，在預(yù)測時(shí)他們使用三種策略，分別是只利用 GRU2 最后一個(gè)隱藏層（SMN_last），靜態(tài)加權(quán)隱藏層（SMN_static），和動態(tài)加權(quán)隱藏層（SMN_dynamic）。在進(jìn)行檢索的時(shí)候，他們將最后一句的信息結(jié)合上文歷史信息中的 5 個(gè)關(guān)鍵詞（歷史信息中用 tf-idf 進(jìn)行篩選，選擇 Top 5 關(guān)鍵詞）在系統(tǒng)中進(jìn)行檢索，然后用上述 SMN 網(wǎng)絡(luò)對候選結(jié)果打分從而選出回復(fù)句。
作者分別在 Ubuntu 語料（大型公開計(jì)算機(jī)相關(guān)求助與解答語料）和豆瓣語料（作者從豆瓣小組的公開信息中爬取并在論文中公布）上進(jìn)行了實(shí)驗(yàn)，分別以 Rn@K 和 MAP、MRR、P@1 為評價(jià)指標(biāo)，取得的結(jié)果均為目前最好。
作者表示“SMN不同以往的模型，第一步不進(jìn)行上下文的建模學(xué)習(xí)，而是讓每句話和回復(fù)進(jìn)行匹配度計(jì)算，這樣可以盡可能多的保留上下文的信息，以避免重要信息在學(xué)習(xí)上下文的向量表示時(shí)丟失。而且 SMN 在對上下文句子關(guān)系建模時(shí)，考慮了當(dāng)前回復(fù)的影響，使得回復(fù)成為一個(gè)監(jiān)督信號，這樣可以更準(zhǔn)確的對上下文歷史進(jìn)行建模。”并且吳俁向我們透露“據(jù)我們所知，我們公布的豆瓣語料是第一個(gè)人工標(biāo)注的中文多輪對話語料。”
在談及目前的方法還有哪些不足之處時(shí)，作者表示“目前我們的檢索方式有時(shí)找不到正確的候選句，所以第一步的檢索方法還有待改善，另外雖然我們的模型可以建模當(dāng)前回復(fù)和歷史信息的關(guān)系，但還是無法避免一些邏輯上的問題，不過這也是我們未來工作的重點(diǎn)，我們將繼續(xù)提高候選回復(fù)在邏輯上的連貫性”，讓我們共同期待他們的未來工作。
? 文末福利
論文中公布的豆瓣語料和代碼鏈接：
歡迎點(diǎn)擊查看論文：
