【学习笔记】开源中文对话预训练模型调研总结_微调对话模型调研报告

开源中文对话预训练模型调研

总结了一下当前（截止2023年4月18日）最新的几个开源的大规模中文预训练开放域对话生成模型。

1. CDial-GPT

主要工作

• Paper：A Large-Scale Chinese Short-Text Conversation Dataset
• 开源地址：https://github.com/scutcyr/CDial-GPT
• 主要贡献：（1）发布了一个经过严格过滤清洗后的大规模高质量中文对话语料库LCCC，base版本包括680万个对话，large版本包括1200万（12M）个对话。（2）同时发布了几个大规模预训练对话模型CDialGPT，首先在中文小说数据集上进行预训练，然后在LCCC上进行训练。

LCCC数据集

数据清洗策略

基于规则的清洗

• 删除平台标记：Reply to @***，[dog]；

• 删除文本中的URL；

• 大于30轮的对话分割为小于三十轮的多个对话；

• 一个句子中重复6次以上的短语或单词只保留一份；

• 删除回复太长或太短的对话；

• 删除广告（A dataset for research on short-text conversations，EMNLP2013）；

• 如果回复中90%的三元语法是高频三元语法，则删除对话；

• 如果回复是具有某些特定形式的通用回复，则删除对话；

• 删除回复与帖子相同的对话；

• 去除含有脏词、敏感词、方言、特殊词如左氧氟沙星、姓名、称呼或者未知的缩写、特殊符号和表情符号、平台标志如广告、图片、视频相关词语的对话。

基于分类器的清洗

（1）人工标注了十万个对话训练一个BERT，识别对话是否为噪声：

• 文本不流利或者严重的拼写错误；
• 回复不完整；
• 时间敏感的；
• 回复中出现节日、地点、性别时间等post没提到的；
• 回复和上下文不相关的；

（2）人工标注了一万个话语训练一个BERT，识别出现外部上下文知识，超出文本，使人难以理解。

模型

输入表征

把所有历史话语拼接成一个长文本序列，输入包括三种embedding之和，分别为word embedding，speaker embedding，position embedding。词嵌入和位置嵌入在预训练阶段学习，说话人嵌入则在后训练（微调）阶段学习。speaker embedding嵌入被用来表明不同的说话人，参考BERT，使用[CLS]和[SEP]表征一个句子的开始符和结束符。

训练

参考DialoGPT，基于Chinese-GPT（GPT-Novel），在LCCC上进行训练。对于多轮对话，将第二个到最后一个句子都作为对话历史的回复。

GPT（Noval）：12层GPT，104M参数；

CDialGPT(LCCC-base)：12层GPT，104M参数；

CDialGPT2(LCCC-base)：12层GPT2，104M参数；

CDialGPT(LCCC-large)：12层GPT，104M参数；

2. GPT2-chitchat

参考了GPT2-Chinese和DialoGPT。

开源地址：https://github.com/yangjianxin1/GPT2-chitchat。

使用GPT2模型对中文闲聊语料进行训练，根据微软的DialoGPT的思想，在项目中添加了互信息。训练了两个模型:Dialogue Model与MMI Model(maximum mutual information scoring function)。首先使用Dialogue Model生成多个候选response，然后使用MMI Model从候选response中，选取loss最小的作为最终的response。

具体可见：https://zhuanlan.zhihu.com/p/101151633

3. EVA1.0

• Paper：EVA: An Open-Domain Chinese Dialogue System with Large-Scale Generative Pre-Training
• 主要贡献：提出了EVA，一个大规模中文预训练对话模型，参数量为2B；构建了一个严格清洗过滤的大规模中文对话数据集WDC-Dialogue，包含1.4B个对话。
• 开源项目地址：https://github.com/thu-coai/EVA

WDC-DIalogue数据集

数据收集

社交媒体上的交互数据可以分为三类：

• Repost：转发博客，和被转发者产生一个对话；
• Comment：评论和回复；
• Q&A：在线问答，在知乎这类平台多。

数据清洗

参照LCCC的数据清洗策略和方法。

模型

分词

传统的基于字符级的中文分词容易丢失汉语词汇或短语的重要于一，因此构建了一个中文的子词词表，包括中文的字和词，基于Sentencepiece的unigram language model。总共包含3万个词。

预训练细节

• Encoder-Decoder型架构；

• 对于n个utterance，以n-1个utterances编码，生成第n个utterance。

• 最大编码和解码长度设置为128。

• 为了解决短utterance被大量pad的效率瓶颈，提出了一个新的数据采样策略，将多个context-response pairs拼成一个样本，引入新的attention-mask来区分它们，确保它们不会互相干扰。

• EVA采用和T5一样的相对位置编码。

实验

实验比较发现，EVA生成性能比CDialGPT好，主要体现在生成结果的信息性上，CDialGPT可能更倾向于生成通用回复。

4. EVA2.0

• Paper：EVA2.0: Investigating Open-domain Chinese Dialogue Systems with Large-scale Pre-training
• 开源项目地址：https://github.com/thu-coai/EVA

这是目前开源的参数量最大，性能最好的中文对话预训练模型，相比EVA1.0它进行了更严格的数据清洗和过滤。这篇文章讲述了如何构造一个中文开放域的大规模对话系统，并做了一些严谨的实验去研究对训练结果造成影响的因素，如模型层数设置、预训练方法、解码策略，并且说明了对话系统仍然存在一致性、知识性、安全性的问题。

5. dialogue-bart-chinese

HIT-TMG开源的基于BART的中文对话模型，模型在四个语料库上训练。Chinese Persona Chat、LCCC (CPC)、Emotional STC (ESTC)、KdConv。

详情可见：

https://huggingface.co/HIT-TMG/dialogue-bart-base-chinese

https://huggingface.co/HIT-TMG/dialogue-bart-large-chinese