基于知识图谱的多轮对话系统_基于知识图谱的多轮问答

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，虽然那个时候晕晕乎乎，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个人仓库链接基于知识图谱的多轮对话系统: 利用医疗数据构建知识图谱，训练意图识别模型和实体识别模型进行槽位填充构建基于知识图谱的多轮对话系统(keras)