达摩院SPACE对话大模型：预训练语言模型，预训练对话模型，知识注入_大模型增量预训练 数据集和代码

01 预训练语言模型 VS 预训练对话模型

1. 大规模语言模型

过去几年 NLP 领域的重大进展，主要是大型预训练模型出现与大规模使用。预训练语言模型有了很大的发展，出现了很多变种。但是，本质上都还是语言模型，如上图右边的流程图所示，输入基本上为网络上的自由文本，模型基本上都是 Transformer 结构，优化的目标基本上都是 MLM（掩码语言模型）。

预训练语言模型对整个 NLP 领域带来巨大进步，到了对话领域之后，可以进一步地提取对话领域更为独特的特征。如上图所示，左侧的网络上的自由文本为大规模预训练模型所需要的语料，右侧的表示对话的语料，直观上看，已经有很大的不同。

对话是对语言的高级应用，主要有以下几个特点：

①口语化，表述随意，不一定符合语法、句子不完整、噪音较多、有很多 ASR 错误。

②分角色多轮次，至少两个参与主体，轮次间存在省略、指代、状态继承、状态遗忘等。

③垂直知识约束，每个对话任务有自己的知识约束，模型需要针对性地利用起来。

④深层语义理解，需要深入理解语言，Intent-Slots/ 逻辑推理等等。

⑤讲究对话策略，为完成特定任务目标，需要知道应该怎么说。

2. 预训练语言模型 VS 预训练对话模型

基于对话数据独有的特点，在预训练模型的基础上，发展出独特的预训练对话模型。如上图左侧表示的预训练语言模型，其优化的目标是回答什么样的句子更像自然语言；而上图右侧表示的是预训练对话模型，从端到端的角度看，其优化的目标是需要回答给定对话历史，什么样的回复更合理。这就是预训练语言模型与预训练对话模型的一个很大的不同点。

3. 预训练对话模型进展

对话主要分三块：对话理解、对话策略、对话生成。2021 年初，预训练对话模型已经有了较多发展。如下图所示，对话理解领域，2019 年 PolyAI 提出了 ConveRT 模型、2020 年 Salesforce 提出了 TOD-BERT 模型、2021 年 JingDong 提出了 DialogBERT 模型。

面向理解的预训练对话模型的出现，对于对话理解方面，相对于预训练语言模型，带来了巨大的提升，如上图所示，EMNLP2020 上的一篇文章（Probing Task-Oriented Dialogue Representation from Language Models）的实验结果，表明预训练对话模型和预训练语言模型相比，在对话理解任务上，可以提升 10% 以上的效果；在表征学习上，也能学到更好的表示，有更好的聚类效果。这一点可以通俗地理解，因为当前的预训练模型（包含语言与对话模型）本质上是数据驱动出来的，那么，对话数据训练的预训练模型，自然比从自由文本上训练出来的模型在对话领域更具表现力。

除了对话理解以外，还有一块是对话生成领域。

2019 年 Microsoft 提出了 DialoGPT、2020 年 Google 提出的 Meena、2020 年 Facebook 提出的 Blender、2021 年 Baidu 提出的 PLATO-2 等，这些模型的出现的话，对对话生成方面的质量也带来了很大的提升。如下图所示，Facebook的Blender模型，从 2018 年到 2020 年，在 A/B Test 胜率从 23% 提升到了 49%。

以上是对整个预训练对话模型的简单介绍，对理解本文提出的模型有很大的帮助。总体上，预训练语言模型的出现，大幅度提升了 NLP 所有任务的效果，而基于预训练语言模型的预训练对话模型，进一步提升了对话领域的 NLP 任务的效果。所以，基于预训练对话模型的智能对话已经成为一个基座模型。

--

02 “无知识不对话”：知识是对话的基础

对话还有一个非常大的特点，就是强依赖于知识。换而言之，知识是对话的基础。

由上图的对话体系架构可以看出，上层的主流对话引擎，比如多轮对话、图谱问答、表格问答、QA问答、文档问答、闲聊（Chit-chat）等，其划分的依据就是底层知识的不同。举例而言，多轮对话引擎，主要是基于对话流程图；图谱问答，依赖于知识图谱的知识等。除了这些显著的知识，想要做好智能对话，还需要一些其他的知识，比如人类标注知识、世界知识、各种常识等。

这里以一个办理汽车保险的任务为参考案例。这个任务是一个流程类的任务，即办理一个保险是有步骤，有流程的。首先，校验个人和证件信息，包括身份证、驾驶证、行驶证等；然后开始验车，生成验车结果：如果验车结果不通过，则告知验车不合格原因，流程结束，结果为不能办理汽车保险；如果验车结果通过，则进行后续步骤，填写保单，包括车险险种、被保险人信息等，然后交保险费，并获得保险存根。

这是一个典型的流程类任务，需要通过任务型对话进行处理。流程类知识的一个显著特点，大多是情况下，任务的顺序是不可变的。比如，不能先做第三步，再做第一步，这样整个流程是不对的，执行不下去的。流程类知识的第二个特点就是，流程类知识打开每一步看的话，又包含了很多其他的知识。比如第一步，要校验个人和证件信息，比如姓名，对于中国人，基本上都是汉字，而且字数都在 2-10 个字以内，这些属于世界知识或基本常识，以及身份证号，大陆身份证都是 18 位的等，都是世界知识里面的范畴。而且，为了训练出一个可用的任务型对话，需要一定量的标注数据，而这些标注的数据，蕴含了人类的知识。比如意图、类别，以及情感等的标注，都是将人类的知识，显式的写在了数据上，从而形成新的知识。综上所述，整个对话都是围绕知识展开的，无知识，不对话。

前面做了基本的引入和介绍，一方面，针对智能对话，预训练对话模型已经成为基础模型；另一方面，对于整个对话系统来讲，都是围绕着知识展开的。所以，我们（达摩院 Conversational AI 团队）过去一段时间的研究和探索，都是围绕着这两点展开。主要的思路是将知识和预训练对话模型结合起来。具体来看，如上图所示，将任务拆成两个子任务：一个子任务是我们如何把知识注入到预训练对话模型，让模型有更好的知识容量；另一个子任务，在应用方面，将在预训练对话模型中学到的大量的知识，显式地抽取出来，和下游任务更好的结合和使用。围绕这两个方面，本文将重点分享一些探索性的工作。

--

03 半监督预训练：一种新的知识注入方式

1. 标注知识

第一部分主要关于知识注入。如何将知识注入到模型中，本文提出一种新的方式，半监督预训练方式。

首先回顾一下知识。知识中有一种非常重要——标注知识。离开标注知识，很难将 NLP 任务做好。在人工标注的知识中，包含大量任务相关的知识。示意图分类、意图匹配、实体识别、对话策略、情感等，这些标签数据，都是将人类的知识，显式地表现在数据上。人工标注的知识有如下特点：

第一，对提升具体任务效果至关重要，虽然现在 Few-Shot 等小数据量标注很热门，但是，这种不需要标注数据或者少量标注数据的模型，尚未满足业务上线的要求，所以，标注数据对于提升任务作用非常大；

第二， 任务相关，数据分散。即在A任务上标注的数据，在 B 任务上并不能使用，需要重新标注；

第三，总量较小。相对于无监督数据往往几千万，几亿条，有标注的数据，可能只有几百条、几千条等。

如何将这些分散的标注数据，汇总到一块，将其中蕴含的知识，注入到预训练对话模型，提高模型的能力？本文即针对这个问题进行了研究和探索。如果可以实现这样的操作，即可实现知识迁移，将在A任务标注的数据的知识，用到B任务上，从而提升B任务的效果。好处如下：第一，解决冷启动问题；第二，在达到相同准确率的情况下，需要的标注数据更少。

首先，回顾一下预训练模型的发展。预训练模型在图像领域首先使用，而且是基于有监督的数据。而当 Bert 等预训练模型提出后，开始从大量的无监督数据中进行预训练，即通过自监督学习。预训练模型以前有两种手段：一个是对有监督数据进行监督学习；另一个是对无监督数据进行自监督学习。今天面对的任务是大量的无监督数据和小量的有监督数据，我们提出了半监督学习，通过半监督的方式，将有监督数据和无监督数据结合起来，如上图所示，我们提出了一个 SPACE（Semi-supervised Pre-trAined Conversation ModEl）模型。

半监督的概念已将发展很多年了，这里提出的半监督方式和以前的半监督方式是有所不同的，主要区别在于：过去，半监督将半监督和有监督结合一起，用于降低知识标注成本；现在，我们主要是半监督和自监督结合，向预训练模型注入知识。

2. 预训练对话模型发展

基于我们提出的半监督模型的理念和框架，再来看一下预训练对话模型的进展。如何将半监督的思想融入到预训练对话模型，在一个具体的业务场景进行实验和落地。由上图可以知道，围绕着对话理解和对话生成，有很多机构做了很多的模型，但是对于对话策略做的非常少，基本上没有相关研究。但是，对话策略非常的关键和重要。

那么，什么是对话策略？在对话理解和对话生成之间，存在着对话策略。对话策略就是根据对话理解的结果，以及结合历史的状态，来决定如何回复下一句话。

举例而言，两个人 A 和 B，在对话过程中，A 不断地说，B 可以一直回复，嗯，好的，对对。这就是一种对话策略，B的策略表示我在听，我听懂了。还有一种策略，B 在听的过程中，有部分听不懂，需要反问其中某个点等；以及对于 A 说的某些地方有些疑问，进行澄清等，也是一种策略。所以，对话策略是保证一段对话可以顺利进行很关键的一步。

学术界对对话策略的定义是 DA（Dialog act），由上图所示，在不同时间，DA 的定义与名称不尽相同，整个对话策略虽然发展了很多年，但是存在复杂和不一致等缺点。导致今天应用起来比较麻烦。

3. 准备工作

将对话策略作为知识注入到预训练对话模型，需要在数据和知识层面做一些准备工作。如上图所示，将英文开源数据集进行综合，形成英文任务型对话 DA 体系——UniDA，共 5 大类，20 个标签，100 万份有标注的数据，3500 万的无标注数据，如下图所示：

整理好以上知识之后，如何定义预训练的任务？如上图所示，选用的是显式建模对话策略，即给定对话历史，预测下一轮系统端的 DA，即做成分类任务，预测下一轮的 DA 标签。

4. 半监督方案设计

有了数据，有了知识，有了显式建模方式，就可以进行半监督的学习。如上图所示，半监督学习的方案主要由以上三种方式：判别式方法、生成式方法、对比学习方法等。

由于判别式方法和生成式方法比较常规，所以先对以上两种方法进行探索。结果表明以上两种方式做出来的效果并不好。如上图所示，针对判别式的方法，对有标数据，可以新加一个损失函数 LDA ，但是对于无标数据，无法添加损失函数。针对生成式的方法，也是同样的道理。即 Self-Predict 和 VAE 的方法，对于有标数据建模是不错的，但是对于无标数据的建模效果不好，因为基于⾃预测的⽅法通过模型参数共享，实现弱约束，基于 VAE 的⽅法通过重参数化 Trick 进⾏梯度回传，但隐变量不稳定。

基于上述问题，我们希望通过对比学习，进行半监督学习的探索。针对有标数据可以轻松地加上 LDA 损失函数，而针对无标数据如何做，这里引入一致性损失函数。如上图，我们对同一个样本，过两遍图右边的模型结构，每一遍都有 Dropout 进行随机处理，所以，两次的样本编码不一致，但是，相差不会很远，距离应该很近。整体思想如下：

基于少量的有标数据和大量的无标数据，通过有标数据学习一个支持的概率分布，对于无标数据，进行两次学习，每次过模型都生成一个向量，这两次生成的向量的距离，应该是很近的。通过这种对比学习的半监督学习方式，很好地解决了半监督学习有标数据和无标数据结合的问题。

模型的效果非常好，在 MultiWOZ2.0 和 MultiWOZ2.1 实现了 5.3% 和 5.5% 的提升。以前的模型提升只能在 1% 或者 2% 的提升，而 SPACE 带来了 5% 以上的提升。

拆开细看，以 MultiWOZ2.0 为例，模型的提升主要体现在 Success 和 BLEU 等方面，因为对话策略对于 Success 对话完成率和 BLEU 对话回复生成至关重要，这说明通过半监督，模型很好地学会了这类知识。

除了对全量数据的测试，也在少量数据进行了测试，如上图所示，分别在 5%、10%、20%、50% 等数据量上进行了对比实验，可以发现 SPACE 模型在不同数据量上也带来了显著的提升。

以上主要讲解我们提出的知识注入的方式，半监督训练 SPACE 模型，在预训练上面显著提高预训练模型的效果。

--

04 Proton：预训练模型中知识利用的探索

接下来，讲解预训练模型中的知识利用。因为预训练模型是经过海量的数据进行训练的，里面包含了海量的知识，如果可以将其中的知识进行利用，无疑会对 NLP 任务提供很大的帮助与提升。我们提出了一种方法——Probing tuning。

1. TableQA 任务

想要验证知识的作用，需要知识密集型的任务，如上图，TableQA 任务非常合适，TableQA 核心任务即是将文本语言转换成 SQL。

上图表示的是 Text-to-SQL 的发展历程。初始的时候，将 SQL 预测拆解为分类问题，准确率在 40% 左右；后来使用 Seq2Seq 生成模型，准确率提升到 50% 以上；进一步地，引入大规模预训练模型，准确率提升到 70% 以上。因此，可以看出，预训练对话模型，对整个对话系统的提升非常显著。但是仍然存在一定的问题。

以 Spider 数据集为例，在标记 Spider 数据集的同时，他们是看到数据集的，导致他们在编写数据集的时候，所用到的词汇，都是存在原文中的词汇。缺少同义变化和世界知识等。比如，在购买家居场景，有一种沙发的型号为L型，是一种官方术语，而对于用户，或者消费者而言，他们并不知道L型沙发是什么，他们只知道“贵妃椅”。而“贵妃椅”是L型沙发的俗称。因此，有人在 Spider 数据集上进行了同义词改造，构建了新的数据集Spider-Syn，则原来的模型在新的数据集上效果显著下降。

除了同义词问题外，上图右边提到的，“… in African countries that are republics?”即非洲共和制国家有哪些？Republics，这个单词是“共和制”的意思，而这个含义，模型无法从数据中学习到，需要世界知识。

一般情况下，预训练模型的使用方法有以上两种：Fine Tuning 和 Prompt Tuning。对于 Fine Tuning 而言，直接将预训练模型作为下游任务的表征，大多数任务都可以利用预训练模型的能力，但预训练模型和下游模型有很大的 GAP。简单而言，预训练模型的知识很多，而下游任务只能获取很小的一个出口进行输出，无法充分获取知识表达。对于 Prompt Tuning 模型，通过改变预测的方式来提升效果，最近在分类任务上崭露头角，尤其在小样本情况下。但是，如何用到更复杂的任务？比如 Parsin，效果却不太好。综上所述，通过训练出大型的预训练模型学到了的大量的知识，但是在下游任务上却无法进行很好的使用。

2. Probing Tuning 方法

围绕大型预训练模型的知识使用，也有很多的研究，整体上被称为 Probing。Probing 可以从预训练模型中探索出句法结构、依存结构等，也可以从预训练模型中探索出三元组等知识。但是，如何将预训练模型中的知识，显式地表示出来，并结合下游任务，目前的相关工作相对比较少，我们就在这方面提出了一种新的 Finetune 方式——Probing Tuning 方法。

如上图所示，Prompt Tuning 方法是基于模板进行训练，本质上是通过记忆表达的方式加上少量的数据，对模型进行微调。而我们提出的 Probing Tuning 方式，原始的问题通过预训练模型得到稠密向量表达，并且，通过 Probing 的方式，获取知识的结构表达，输入到稠密向量表示中，对下游任务带来提升。

如上图所示，我们提出了一个框架——Proton Framework。首先，输入预训练模型的数据包含原始问题和表格对应的语句；另一方面，也包含了人类定义的规则的知识，不具有泛化性的知识；并且，通过 Proton 的方式，学习到知识的表达，并具有泛化性。

具体Probing的工作原理以上面的例子说明。

问句为：“Where is the youngest teacher from?，表格数据为“SELECT hometown FROM teacher ORDER BY age ASC LIMIT 1”。原句抽取出表格数据中的名词信息，“teacher，teacher.age, teacher.hometown”，组合成整体：“[CLS]Where is the youngest teacher from?[SEP] teacher，teacher.age,teacher.hometown”。然后进行随机 MASK 某个单词，比如“where”,然后计算该向量中“teacher.hometown”与原句向量的“teacher.hometown”距离，如果距离越远，这说明“where”和“teacher.hometown”越相似，即学到相关的知识。如上图的相关矩阵表示，“teacher.age”和“youngest”相关度有 0.83，非常的高，说明两者有非常强的相关性。然后就可以构建 Proton 中的图以及边的权重等。

以上即为 Probing 的整个过程，即将人工构建的知识和 Proton 学习到的知识，结合到预训练模型中，用以提高下游任务的效果。

基于 Probing Tuning 的方法，在 Spider-DK 数据集上相比 SOTA 提升了 6.9%，在 Spider-SYN 数据集上相比 SOTA 提升 16%，效果提升非常明显。

总而言之，我们通过把预训练模型学到的知识，进行探测，并且以结构化的方式，显式的应用到下游模型中去，可以给具体的下游任务，带来显著的提升。

3. 后续工作展望

Probing 技术可以带着我们进行下一步探索，如何将预训练模型中的知识，显式地获取出来。在此领域，AlphaZero 做了相关探索，如上图左侧，左右两边分别表示人和模型自动学习出来的向量空间，模型学到了一些人类从未有的棋谱，说明模型可以学到人类并不知道的一些知识。

我们今天先讲了预训练对话模型对于整个对话系统的重要性；其次，是知识在对话系统中的重要性。基于以上两点，我们希望将知识和预训练对话模型结合一起，具体的分为两个工作：

第一，如何将知识注入到预训练对话模型，我们提出了一个半监督预训练的模型——SPACE。

第二，如何将预训练对话模型中的知识显式地提取和利用起来，我们提出了一个 Proton 的模型。

--

05

Q&A 环节

Q1：半监督预训练模型的监督任务，是否需要和下游任务保持一致？比如说预训练模型中的一些意图分类任务？

A1：现在所做的半监督预训练，还是面向与下游任务的预训练。即面向下游任务的半监督学习。当然，我们现在也在探索多任务的下游任务训练，探索多任务之间是否可以加强相关的任务效果。

Q2：Unified DA 是否考虑了无意义的语句等？

A2：是有的，在分类里面，是存在有不理解/不懂的语句在里面的。

Q3：Act 和 Intent 的区别是什么？

A3：Intent 是一个具象的事情，和一个具体任务相关的，比如说，你要办公积金，在这个场景，可以定义 5 个 Intent；在购买飞机票的场景，可以定义 10 个 Intent。这两个场景的 Intent 之间基本上没有关系。而 Act 是超越具体场景的，比如公积金和订机票场景，可以定义共同的 Act，比如显示澄清、隐式澄清等，都是和具体场景无关的。Act 和 Intent 都是对语义的表示，Intent 是具象层面的表示，Act 是抽象层面的表示。

Q4：数据集都是英文的，后续是否考虑中文的一些探索吗？

A4：我们团队是一个研究和业务共同并重的团队，我们的中文和英文是同步做的，今天主要分享的是英文的模型，而中文的模型我们这边是已经做好，并且在阿里云智能客服产品中全面落地应用，成为对话系统的基座，以意图分类为例，基于 SPACE 的训练样本数据标注量降低了 70% 左右。今天只是分享我们最早期和最经典的工作，后续会分享中文相关的工作。

Q5：SPACE 中，端到端的模型如何和 NLG 结合的？

A5：端到端模型分为三个部分：理解、策略和生成。对于生成任务，是基于理解和策略的概率分布，即前面的 Act 预测准的话，后续的生成任务也会更准。