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(cè)未來(lái)時(shí)代的人工智能可能會(huì)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(méi)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(lái)說(shuō)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(shuō)話”，一個(gè)字一個(gè)字創(chuàng)作出回復(fù)語(yǔ)句來(lái)。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(yǔ)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(yǔ)句不流暢的問(wèn)題，但能夠做到“有問(wèn)必答”偶爾還能蹦出“彩蛋”。檢索的模型一般流暢性方面無(wú)須擔(dān)心，不過(guò)隨著目前網(wǎng)絡(luò)資源的日益豐富，語(yǔ)料規(guī)模也越來(lái)越大，如何從眾多語(yǔ)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(wèn)題。

　　雖然目前市場(chǎng)上的聊天機(jī)器人眾多，但我們見(jiàn)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(duì)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(duì)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(duì)話的目的。”

　　但這在實(shí)現(xiàn)的過(guò)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(yǔ)義相似度十分困難，主要的挑戰(zhàn)有兩個(gè)方面：

　　由于聊天歷史信息繁多，如何將歷史中重要的詞語(yǔ)、短語(yǔ)以及句子選擇出來(lái)，并通過(guò)這些重要部分刻畫聊天歷史，是一個(gè)亟待解決的問(wèn)題；

　　如何對(duì)聊天歷史中的各輪對(duì)話進(jìn)行建模，如何判斷對(duì)話歷史中的跳轉(zhuǎn)，順承等關(guān)系，也是一個(gè)棘手的問(wèn)題。” 那么論文作者提出的SMN模型又是如何解決這兩個(gè)問(wèn)題的呢，接下來(lái)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(duì)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(yǔ)（embedding向量）和短語(yǔ)級(jí)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(cè)層，利用融合的匹配信息計(jì)算最終的匹配得分，在預(yù)測(cè)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(dòng)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Top5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(duì)候選結(jié)果打分從而選出回復(fù)句。

　　作者分別在Ubuntu語(yǔ)料（大型公開(kāi)計(jì)算機(jī)相關(guān)求助與解答語(yǔ)料）和豆瓣語(yǔ)料（作者從豆瓣小組的公開(kāi)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(píng)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(duì)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(hào)，這樣可以更準(zhǔn)確的對(duì)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(yǔ)料是第一個(gè)人工標(biāo)注的中文多輪對(duì)話語(yǔ)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(wú)法避免一些邏輯上的問(wèn)題，不過(guò)這也是我們未來(lái)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(lái)工作。

相關(guān)電子資料下載

• 如何使用Rust創(chuàng)建一個(gè)基于ChatGPT的RAG助手 43
• 如何創(chuàng)建FPGA控制的機(jī)器人手臂？ 219
• 如何創(chuàng)建FPGA控制的機(jī)器人手臂 49
• 邁爾微視MRDVS發(fā)布多模態(tài)避障相機(jī)S2 90
• iTR機(jī)器人iScrubbot系列清潔機(jī)器人實(shí)現(xiàn)數(shù)字化管理 136
• 哈爾濱工業(yè)大學(xué)研發(fā)液態(tài)金屬磁性微型軟體機(jī)器人 20
• 智能時(shí)代的三大核心技術(shù) 57
• EPR6-S工業(yè)機(jī)器人通過(guò)EtherCAT轉(zhuǎn)profinet網(wǎng)關(guān)接入西門子系統(tǒng) 135
• 智能工廠系統(tǒng)集成解決方案 25
• 奧比中光3D相機(jī)矩陣助力更強(qiáng)機(jī)器人開(kāi)發(fā) 193