对话生成：seq2seq模型原理及优化_seq2seq 模型常用优化器

一、Seq2Seq 对话模型原理

1. 模型探析

生成一段对话回复的模型可以简单分为三类：

• 一是规则模板。典型的技术就是AIML语言。这种回复实际上需要人为设定规则模板，对用户输入进行回复。
  优点是：1、实现简单，无需大量标注数据；2、回复效果可控、稳定。
  不足是：1、如果需要回复大量问题，则需要人工设定大量模板，人力工作量大；2、使用规则模板生成的回复较为单一，多样性低。

• 二是生成模型。主要利用编码器-解码器结构对回复进行。典型技术是Seq2Seq、transformer。

• 优点是：无需规则，能自动从已有对话文本中学习如何生成文本。
  不足是：1、生成效果不可控，训练好的模型更像是一个“黑盒”，也无法干预模型的生成效果；2、倾向生成万能回复，如“好的”、“哈哈”等，所以多样性与相关性低。

• 三是检索模型。利用文本检索与排序技术从问答库中挑选合适的回复。
  优点是：由于数据来源于已经生成好的回复，或是从已抓取的数据得到的回复，所以语句通顺性高，万能回复少；
  不足是：1.不能生成新的回复文本，只能从问答库中得到文本进行回复；2.当检索或排序时，可能只停留在表面的语义相关性，难以捕捉真实含义。

2. RNN模型回顾

RNN是能够对序列进行建模的神经网络。它的每一个时刻的状态，由当前的输入以及上一个时间步的状态来决定，经过线性变化和激活函数，就可以完成一个RNN建模。

这里存在的问题是，在神经网络训练过程中，更新参数需要计算梯度，这里的梯度计算里存在连乘，导致梯度趋于0或者趋于无穷大，使得模型无法有效地学习到长距离的依赖关系。


LSTM是RNN的一种常见的改进模型，引用了门机制去解决梯度爆炸或者梯度消散的问题。门计算所需要用到的参数，由模型自己去进行学习。每一个门都有对应的参数，每一个门的每次计算，是根据当前的输入前一刻的状态，以及内部状态，来计算门的值是什么，最后再对整个状态进行更新。

GRU是另一个对RNN进行改进的模型，可以看作是LSTM的变形。相对于LSTM ，GRU模型减少了一个门，参数量也会变少。因此，最终GRU的速度比RNN、LSTM更快一些。

3. seq2seq模型回顾

了解RNN后，我们就可以引入seq2seq模型了。在seq2seq模型里，实际上输入的是一段序列文本，生成的也是一段序列文本。

Encoder：seq2seq的编码器是单层或多层的RNN（双向），会对输入的文本进行编码变成一个向量输出。

Decoder：seq2seq的解码器，也是一个单层或多层的RNN（非双向），然后根据context信息对每一步进行解码，输出对应的文本。

这里提到的每步context，最简单的方法是直接拿encoder的输入文本信息的最后一个状态，或者是整个状态进行加总，得到一个固定的向量。然后，再将这个向量作为decoder的context进行输入。

但这样的问题是，这个context是一个固定长度的向量，表达能力比较有限，所以在这个基础上，又提出了Attention机制。

Attention机制：每步解码都会根据当前状态对encoder的文本进行动态权重计算，然后对权重进行归一化。得到归一化后，再算出一个当前加权后的context，作为decode的context。这样处理后的表达能力就会就会更强一些。

下图是一种比较常见的Attention形式，通过加法来完成。其他的Attention形式可能会通过乘积来完成权重计算。

优化目标：有了前面的组件后，我们可以定义一个优化目标。优化目标实际上就是对每一步的单词计算一个交叉熵，然后把它给加起来，最后得到一个损失函数。

4. Beam Search

前面提到seq2seq模型以及训练目标是如何训练的，再涉及到的问题，就是模型是如何进行预测的。这里可能会存在的问题是：

贪心搜索：每一步搜索都取概率最大的分支，容易陷入局部最优解。

比如，可能当前一步的概率很大，但后面的概率都很小，这样搜索出来的文本就不是全局的最优解。

但如果对整个空间进行搜索，可能搜索空间太大，无法全部搜索。

Beam Search：采取折中的办法，每次搜索只保留最优的k条路径，搜索结果优于贪心搜索，因为每一步并非按最大的去选一个；时间复杂度也可以根据对“K”的设置进行控制；（如下图：每次搜索只保留最优的2条路径）

但在对话来说，Beam Search可能会产生的问题是：可能都是十分相近的句子。

举个例子：当用户说“我喜欢打篮球”，搜索出来的结果可能是“我也是。”“我也是！”“我也是……”只有标点符号不同，这样多样性依然很低。

二、基于主题规划和文本属性控制的 Seq2Seq 模型优化

基于已有的seq2seq模型以及上述需要解决的问题，我们调研了大量论文，下面摘取对“对话生成”借鉴意义比较大的重点来阐述。

1. Copy机制

这里介绍的论文是发表在ACL2017的《Get To The Point: Summarization with Pointer-Generator Networks》

Copy机制最初设计用于解决OOV问题。当生成一段文本的时候，这个生成单词可以有两种来源：一种是通过普通seq2seq生成；另一种是从原文本拷贝过来。比如普通的生成任务里，他往往有大量的OOV（out of vocabulary），这样的词是无法生成的，以至于回复效果会变差。

Copy机制的好处在于，当生成单词的时候，既可以是生成的，也可以是从Source Text里面直接拷贝过来。

当然，Copy机制有很多实现办法，这里讲的是最容易理解与实现的一种，即将每步输出的单词概率看作一个混合模型（生成的单词概率分布与拷贝原文的单词概率分布的混合），利用注意力得分作为拷贝单词的概率。

注意力的得分的明显特点是，它经过了归一化，代表了这段文本中不同单词在当前步骤的重要程度，可以看作拷贝不同单词的概率。这个最早用在point network模型里面。

将Copy机制用于闲聊后，回答的相关性和流畅性会更高。举个例子，当用户说“我老家是湖南的”，普通的seq2seq生成回答“我也是”就结束了。有了Copy机制后，对原文拷贝单词的概率会更大，可能生成的回答是“我也是湖南的。” 这样回答相关性会更高。

2. 基于控制主题的seq2seq的模型——主题控制

前面曾提到普通的seq2seq生成的内容，其实没有办法把控生成的语义信息。我们希望生成更有意义的回复，以提高闲聊相关性、流畅性。

论文里提到的“Content-Introducing”（为便于理解，我们称之为“控制主题”模型），就是通过增加关键词信息，用关键词去影响生成回复的语义（主题），以下介绍两种解决思路。

思路一：用关键词作为硬约束

这里介绍的论文是发表在ACL2016的《Sequence toBackward and Forward Sequences: A Content-Introducing Approach to GenerativeShort-Text Conversation》

我们先考虑一种最简单的情况：假设预测出的关键词在生成文本中一定会出现。这里论文提出一种直观且简单的预测关键词方法：利用互信息进行预测，即取与问题互信息最大的词作为关键词。

有了关键词，下面我们考虑如何对回复进行生成。每次的生成包含两步：第一步，生成包含关键词的前半句话；第二步，生成后半句话；

如下图，当被问及“Where are you from”，首先生成地点单词“Osaka”，第一步根据地点单词生成前半句“from”“am”“I”，第二步再生成后半句“Japan”。相当于一个单词把文本隔成两段，分两步生成整句话。

这里可能存在的问题是，当遇到预测的单词不准，或者在对话中出现较少时，上下句可能衔接不够流畅。在此引入第二种思路。

思路二：用关键词作为软约束

这里介绍的论文是发表在Emnlp2016的《Towards implicit content-introducing for generative short-textconversation systems》。

第二个思路假设关键词在生成文本中不一定会出现，只作为额外信息输入到网络里；设计cue word gru单元，将关键词信息加入到每一步的状态更新；

首先，这里有两个GRU单元。一个普通GRU负责记录对话的状态、上下文等内容，另一个Cue word GRU记录当前关键词信息，利用设计的fusion unit结构融合普通GRU与Cue word GRU单元。

个人理解，这与门机制类似，要将两个部分的信息合在一起。那每个信息需要流入多少呢？实际上就是通过一个网络去计算。通过加权合并，就可以知道普通seq2seq的信息和关键词信息。最终，模型就能学习出如何生成一个既能承接上句，又包含关键词语义的回复。

思路三：用关键词同时约束主题与情感

在这里，我们介绍的论文是，于2018年发表在Emnlp的《A Syntactically Constrained Bidirectional-Asynchronous Approach for Emotional Conversation Generation》。目前我们团队只做了调研，还没有展开实验。

论文里，假设每个生成的回复都包括一个情感关键词与主题关键词，即序列为[y_ct, w_tp, y_md,w_et, y_ce]，其中w_tp为主题关键词，w_et为情感关键词，y_ct,y_md,y_ce为剩下对应位置的文本序列。

首先预测情感关键词与主题关键词。有了两个关键词后，就可以考虑如何生成文本。每次首先生成中间的文本序列y_md，再分别生成剩下的两段文本，最后对这段文本的真实方向进行二分类，输出最终生成的文本。

3. 基于控制主题的seq2seq的模型——属性控制

为了避免出现负面情感或疑问句式的回应，我们希望模型能学习到文本的属性信息（句式、情感信息），从而能够控制生成文本风格，使生成的回复更为可控。下面我们考虑的是对文本属性进行控制的生成模型。

思路一：直接融合属性信息

这里介绍的是一个相对简单的模型（如下图），输入的文本除了encoder的信息，还包括属性embedding的信息。这样一来，每一步解码都会带上属性信息，模型就会学习如何根据两段信息合理地生成单词。

举个例子，比如在label embedding，第1个是正面情感的embedding，第2个是肯定句式的embedding，最后就会生成一个正面情感的肯定句。

思路二：用条件变分编码器

这里介绍的论文是《Generating Informative Responses with Controlled Sentence Function》。

这篇论文中使用条件变分编码器的网络结构去控制回复的句式，使模型生成一些更有信息量的回复。

在变分编码器中，我们希望隐变量z更好的进行编码。这篇文章通过约束中间隐变量z，使z更多地去编码句式属性的信息。

这里采用的是通过加入判别器来实现对z的约束。判别器对编码后得到的中间隐变量z，经过分类判断它是陈述句、疑问句或是祈使句。

为了更好地对生成的单词进行建模，论文中分别对控制句式相关的词、主题相关的词、普通词计算概率，最后利用一个混合模型计算出最后的概率。

混合模型在每次生成单词时，会先用隐变量信息计算生成哪种词，得到三种单词分别的生成概率，最后进行加权得到生成一个单词的概率。

由于加入了条件变分编码器和判别器，最终的训练loss是三个部分之和：先验分布与后验分布的kl散度、判别器分类交叉熵、普通seq2seq的loss。

4. 改进Beam Search——提高回复多样性

前面主要解决的是生成回复不可控的问题，如控制回复属性（情感、句式）、控制回复主题等内容。后面，我们继续调研大量文章，来解决回复多样性的问题。以下讨论的是改进Beam Search。

Beam Search的多样性低，主要因为它总是选择一条分支路径，导致最后的生成回复都差不多。

思路一：通过增加惩罚项，比如对同一组的第二、第三选项进行降权，从而避免每次搜索结果都来自于同一路径。对于权重的选择，可以通过强化学习得到；也可以通过设置参数、调整参数来得到（如下图）。

思路二：计算每条路径的概率分，如果后面生成的话跟第一组相似，就对该组进行降权，避免组与组之间相似度过高（如下图）。

三、Seq2Seq 模型在寿险业务的实践介绍

1. 实验数据

基于以上模型的调研和优化，结合寿险的业务场景，我们进行了一些实验与效果评估。

实验数据来自于微博，我们参考了一些论文的设计方法，将情感标签分为6类：喜爱、悲伤、厌恶、生气、高兴、其他；句式标签分为3类：疑问句、祈使句、陈述句。

数据样例请参考下图。

2. 效果对比

从实验数据看（如下图），如果用seq2seq、copy可能会生成疑问句，这是我们在业务场景下不愿意看到的情况。而我们改进的模型c-seq2seq、vae-seq2seq生成的回复，大部分能保证是正面和肯定句式的回复。

我们的效果评估主要运用人工评估方式。在对话场景中，很多千变万化的回复可能都是好的，并非说生成的对话一定跟训练集或测试集的目标越接近才越好，所以很难用自动化标准去评估。

3. 模型对比

• 普通seq2seq存在生成回复相关性不够高、生成回复为否定句或负面情感的问题。
• Copy机制+seq2seq：提高了回复相关性，但依然无法解决回复为否定句或负面情感的问题。
• 主题控制+seq2seq：既提高回复相关性，也可以控制回复语义，提升回复效果，但可能出现回复不通顺的问题，并存在否定句式与负面回复。
• 属性控制+seq2seq：比较能满足场景需要，但有一定比例的通用回复，可以通过改进Beam Search、后排序的办法来提高个性化回复的得分，从而提高回复多样性。
  

4. 总结

在对话生成任务上，探索了copy机制、主题控制、属性控制、diverse beam search等多种提高回复效果的方法。在内部场景中进行实验，其中的属性控制模型能有效提升回复质量，获得了较好效果。