什么是我所说的ConversationalRobot?

2020 年 3 月 18 日 AINLP

作者:段清华
个人主页:http://qhduan.com
Github链接: https://github.com/qhduan/

原文链接,点击文末阅读全文直达:https://github.com/qhduan/ConversationalRobotDesign

这篇文章包括 Dialogue System, QA System, Chatbot 简述。下面大部分文字是整体的介绍,当然要完全把这三个部分都详细说完,可能就够一本书了,没几百篇论文的阅读出不来。主要是因为每个系统的每个实现方法经常都是独立的一个领域,而很少有介绍完整成品的东西,也几乎没有完整的书籍。

Conversational Robot 的来历

主要是为了避免dialogue和chat这两个词。

Dialogue System 和 Chatbot 都有其比较特定的含义,这里避开他们。然后使用了 Conversational 这个词。

简单的来说

我所定义的

Conversational Robot = Dialogue System + QA System + Chabot + Other Needed Support Components

其中Dialogue System是骨架,其他部分是血肉。

其实单独来说,每个系统都可以独立存在。例如一般的百科全书,如果不严格的讨论,我们可以认为它是一个QA System。它本身是很有用的,也可以独立存在。

甚至说Chatbot本身,如果应用在心理辅导、婴幼儿陪伴等领域,也可以单独的作为一个应用。

而我之所以把Dialogue System作为主要部分,主要是因为我认为机器人存在的目标最主要是完成任务,我认为传统意义上的Dialogue System,本质就是一个Task-Oriented System。这符合我对于 Robot 的哲学理解,即执行任务是第一要务。

从人机交互的角度看Conversational Robot

从人机交互的角度看ConversationalRobot

人与机器有很多交互方式,而语音、语言交互是一项重要的交互方式。

自然语言处理(NLP)包括了语音识别,语音合成,文本理解,文本生成等等范畴,可以说从人机交互的角度来说,Conversational Robot 在这里特指语言的理解、生成这一过程的相关部件。

从机器人的角度来看Conversational Robot

从机器人的角度来看ConversationalRobot

从机器人的角度来讲,一个智能体(Intelligent Agent),从外界环境接受信息,这个信息主要的一个信息来源就是人。而人能提供例如语音(说话),语言(微信打字),视频(机器视觉),动作(动作、手势识别)等信息。

Conversational Robot 特指接受语言,或者经过转换的语音数据,根据对文本的理解,产生一些执行操作。执行操作可以由其他部件完成。最终把执行结果返回给人的这一个过程的相关部件。

内部组件,从Dialogue System的主要骨架说起

一个传统的Dialogue System如下图所示

Principal components of a spoken dialog system

(Jason D. Williams, The Dialog State Tracking Challenge Series: A Review, 2016)

一个更简单的图例如:

Traditional Pipeline for Task-oriented Systems

(Hongshen Chen, A Survey on Dialogue Systems:Recent Advances and New Frontiers, 2017)

语音识别(ASR)

图中ASR负责识别语音,对于一条用户的语音输入可能有多个结果

例如不同识别到的文本和对应的可信度

例如用户说(注意是语音):“我要去上海”

结果可能是

[
{
"sentence": "我要去上海",
"score": 0.4
},
{
"sentence": "我要去商海",
"score": 0.3
},
{
"sentence": "我要去伤害",
"score": 0.1
}
]

实际上很多关于对话系统的文章都没有仔细说这部分,这也是显而易见的,因为语音识别有更专门的领域专家去研究。绝大部分系统的假设都是能拿到比较准确的识别结果,至少是像上面那样的的结果列表,之后的工作。类似的,图中的TTS也是一般被忽略。

自然语言理解(NLU or SLU or LU)

这部分在有些资料被称为SLU(Spoken Language Understanding), 有的资料也称为NLU(Natual Language Understanding),甚至LU(Language Understanding)。也有一些文献称之为Semantic Decoding,因为它的结果也被称为Semantic Frame, 也就是把用户输入的句子(utterance)转换为了一种Semantic Frame,即抽象出了用户所期望行为的语义。

这部分主要根据语音输入的结果,判断用户意图。

从含义角度来说,输出的是,三个部分内容:

SLOT(S): 问题所需要的数据参数

INTENT: 用户意图

DOMAIN: 问题领域

如(Yun-Nung Chen, SYNTAX OR SEMANTICS? KNOWLEDGE-GUIDED JOINT SEMANTIC FRAME PARSING)的例子:

W: tell vivian to be quiet
S: contact=vivian, message=be quiet
D: communication
I: send_text

也就是用户输入了tell vivian to be quiet之后, 或者这句话的DOMAIN(D)是communication, INTENT是send_text, 有两个slot, 分别是联系人contact=vivian还有信息内容message=be quiet

这些内容会被后续的部件处理。


从一些实际应用的角度来说,这部分LU在一些系统里也被描述为会产生潜在的user-action列表。也就是“用户想做什么”的行为列表和每种行为的可能性

例如用户输入:“明天晚上的电影”,结果可能是

[
{
"user_action": "request(movie_name, date=tomorrow_night)",
"score": 0.5
},
{
"user_action": "request(movie_name, date=tomorrow)",
"score": 0.3
},
{
"user_action": "inform(date=tomorrow_night)",
"score": 0.1
}
]

这些列表可能类似下面的行为,其中Usr列打对号的就是用户可能产生的行为列表,我们以后会在单独的NLU相关章节详细探讨这部分内容。(Steve Young, The Hidden Information State model: A practical framework for POMDP-based spoken dialogue management, 2010)

The principal dialogue acts used by the HIS System

关于这个列表的详细意义与探讨,会在后续的章节进行。

Dialogue State Tracker & Dialogue Policy

在某些系统上,这两部分是分离的,在而在很多系统上,实际就是一个部分。也有一些资料把这部分称为Dialogue Management。这部分也被称为Belief Tracking & Policy Optimization / Policy Learning。

需要状态管理是因为对话并不仅仅是单轮的,而是需要多轮进行,或者说完成一个任务很可能需要跟用户反复交互。用户很可能修改之前的意图、提供的参数等等内容。如果对话只是一问一答,即当前问题和以前的问题、回答都没关系的话,那实际上就不算Dialogue System,而是QA System了(Question & Answer)

系统需要保存之前用户的问题,也要保存自己回答的结果,例如:

request的格式:request(a, b=x, c=y,...)即请求参数a,并且提供(可选的)参数b=x等。

inform的格式:inform(a=x, b=y)即提供信息,用户可以向系统提供信息,系统也可以向用户提供信息(答案或查询结果)。

举例如下:

用户:我想找北京去上海的火车

-> user_action: request(车票列表, 起始地=北京, 目的地=上海)
-> sys_action: inform(车票列表=执行部件的答案, 起始地=北京, 目的地=上海)

系统回答实例:从北京去上海的车票有xx趟,如下:xxxxx

用户:从杭州去的呢?

-> user_action: request(车票列表, 起始地=杭州)
-> sys_action: inform(车票列表=执行部件的答案, 起始地=杭州, 目的地=上海)

系统回答示例:从杭州去上海的车票有yy趟,如下:yyyyy

假设上面两条是连续的问题,那么系统在回答第二条的时候,用户是没直接提示目的地的(这里是符合自然语言习惯的),那么目的地这个状态,就应该由DST部件存储下来(相当于机器的短期记忆),在一定假设下,补全并猜测到用户的完整意图。

在第二次回答中,如果系统并不确定目的地是上海(例如根据某个概率值),那么可能就会产生下面的情况:

用户:我想找北京去上海的火车

-> user_action: request(车票列表, 起始地=北京, 目的地=上海)
-> sys_action: inform(车票列表=执行部件的答案, 起始地=北京, 目的地=上海)

系统回答实例:从北京去上海的车票有xx趟,如下:xxxxx

## 以上部分和上面的例子一样

用户:从杭州去的呢?

-> user_action: request(车票列表, 起始地=杭州)
-> sys_action: confirm(起始地=杭州,目的地=上海)

## confirm是确认操作,期待用户回答诸如是/否,yes/no的回答

系统回答示例:您是说从杭州去上海的车票吗?

用户:是的

-> user_action: confirm()
-> sys_action: inform(车票列表=执行部件的答案, 起始地=杭州, 目的地=上海)

系统回答示例:从杭州去上海的车票有yy趟,如下:yyyyy

或者如果系统实在不确定,或者比较愚蠢,甚至可能是:

用户:我想找北京去上海的火车

-> user_action: request(车票列表, 起始地=北京, 目的地=上海)
-> sys_action: inform(车票列表=执行部件的答案, 起始地=北京, 目的地=上海)

系统回答实例:从北京去上海的车票有xx趟,如下:xxxxx

## 以上部分和上面的例子一样

用户:从杭州去的呢?

-> user_action: request(车票列表, 起始地=杭州)
-> sys_action: request(目的地=上海)

## 上面最后一行代表,机器也可以向用户请求信息

系统回答示例:请告诉我目的地是哪里?

用户:是上海

-> user_action: inform(目的地=上海)
-> sys_action: inform(车票列表=执行部件的答案, 起始地=杭州, 目的地=上海)

系统回答示例:从杭州去上海的车票有yy趟,如下:yyyyy

这些不同的操作,最终都成功引导到了结果。当然理论上第一次最好,因为用户操作最少,但是如果ASR部件、NLU部件甚至DST部件产生了错误(例如听错了、理解错误、管理失误等等),那么是有可能产生后两次的对话。

所以DST和DP部件,主要是管理历史状态,并且根据状态生成一个sys_action,系统所要应对的行为。

自然语言生成 NLG

自然语言生成部件的主要目的是根据系统的相应类型,生成自然语言回答。

一般来说这部分主要是套模板。

当然现在也有一些使用如seq2seq模型等等产生的NLG方法。这些方法的出现一来是为了提高系统的鲁棒性,另一方面是希望系统说话更接近人类说话方式,最终提高用户体验。

语音合成 TTS

这部分是指从文字到语音合成的部分,并不在我所定义的Conversational Robot的范畴内。绝大部分Dialogue System或其他相关文献也都会忽略,因为模块本身可以独立运作,并且有比较成熟的解决方案。

问答系统 QA System

这里简单探讨QA系统的几种形式

问答匹配

问答匹配包括Question & Answer Selection/Matching/Searching。

假设我们有一堆问答对(q_1, a_1, q_2, a_2, ..., q_n, a_n)

如果这个时候新来了一个问题,最朴素的想法就是去这些问答对里面搜索,找到答案(假设有的话)。

问题是,问题本身的形式可能多种多样,例如:

  • 你从哪来?
  • 你哪来的?
  • 你从哪里来?
  • 你来自哪里?

这些问题本身都代表一样的含义,或者说他们有相似的语义(Semantic)。

那么问题来了,如何确定答案?

假设我们有一个函数f(x, y),当两个问题相似的时候f(q_1, q_2)趋近于1,当两个问题不相似的时候f(q_1, q_3)趋近于0。

那么用户只要输入一个新问题q_user,那么我们只要从数据库里面计算argmax{q_i} f(q_i, q_user)就好了。也就是从数据库中找到与问题q_user最相似的问题。

当然还有另一种类似的做法,假设一个函数g(x, y),当一个问题q和答案a是一对的时候(也就是aq的正确答案),那么g(q, a)趋近于1,如果不是一对,则趋近于0。

当用户来了新问题q_user,那么我们只要遍历数据库里面的所有答案寻找argmax{a_i} g(q_user, a_i),则可以找到,最符合用户问题的答案


当然实际应用的时候,我们不可能真的遍历数据库的所有问题(可能有几百万条数据,时间性能不允许),这个时候我们可以通过其他手段。

例如我们有一个函数vec(x),它可以把一个问题或者答案转换成一个有限长度的实数向量。然后我们还有一个函数similarity(x, y),用来判断两个向量是否相似。那么当用户来了一个问题q_user的时候,我们可以先把它向量化得到vec(q_user),然后再去匹配我们已经预先向量化好的其他问题。即argmax{vec(q_i)} similarity(vec(q_user), vec(q_i))

因为向量相似匹配的算法,可能远快于遍历所有问题(或答案)。(例如用K-neighbour相关算法如BallTree等)

用深度学习解决此类问题的论文比较多,例如:

(Ming Tan, LSTM-BASED DEEPLEARNING MODELS FOR NON-FACTOID ANSWER SELECTION, 2016)

IR-based

利用搜索引擎,或者类似搜索引擎的技术

假设我们问“爱因斯坦出生于哪一年?”

然后把这个问题直接丢给搜索引擎,或者经过某种转换到某个形式(例如把问题修改为文本“爱因斯坦 出生 年份”)

假设去搜索,第一条结果可能如下:

阿尔伯特·爱因斯坦- 维基百科,自由的百科全书
https://zh.wikipedia.org/zh-hant/阿尔伯特·爱因斯坦
阿尔伯特·爱因斯坦,或譯亞伯特·爱因斯坦(德語:Albert Einstein,1879年3月14日-1955年4月18日),猶太裔理論物理學家,创立了現代物理學的兩大支柱之一的相对论 :274,也是質能等價公式(E = mc2)的發現者。他在科學哲學領域頗具影響力。因為“對理論物理的貢獻,特別是發現了光電效應的原理”,他榮獲1921年諾貝爾物理學獎 ...

而我们根据问题可以判断用户的意图是希望结果是“哪一年”,也就是问题答案很可能是(18xx年, 19xx年, 18xx-xx-xx, 19xx-xx-xx)之类的形式。

我们获得了潜在的答案类型,和潜在包含答案的数据条目。我们再从中搜索我们的答案。

这个方法的方法与条件:

  • 答案比较短(一个词或一个短语)的时候
  • 把问题转换为可能更容易搜索到答案的形式
  • 猜测用户所希望的答案类型(是人?地点?时间?其他?)

Knowledge-based (KB QA)

当然也可以说语义网、知识图谱等based

这个角度解决QA问题首先我们需要有一堆数据库,常见使用三元组(triples)的形式保存,例如:

  • (爱因斯坦,出生于,1879)
  • (爱因斯坦,职业,物理学家)
  • (爱因斯坦,死于,1955)
  • (中国,首都,北京)
  • (美国,首都,华盛顿)

类似这样,一般来说三元组中间那是一个关系(relation),而两边是两个实体(entity),我们也可以写作出生于(爱因斯坦,1879)出生于(这篇文章的作者,2020),类似这样的形式

假设我们有很多这样的三元组数据,那么我们解决:“爱因斯坦出生在哪年”这样的问题方法,是把问题转换为一种逻辑形式,例如:

爱因斯坦出生在哪年 => 出生于(爱因斯坦, ?x)
中国的首都 => 首都(中国, ?y)

其中出生于首都都是关系,而中国爱因斯坦都是实体,而?x?y都是自由变量,这里代指我们想要寻求的答案。

从这个角度解决QA问题有一套比较完整的方法论,如RDF,Semantic Web,SPARQL等技术和方法

也有一些文献使用了结合deep learning与sequence-to-sequence等技术的的Knowledge-based解决方案,具体内容我们后续会讨论。

Chatbot

这里Chatbot特指中文的闲聊机器人

闲聊机器人是带有一定“娱乐”意味的机器人。当然也可以用作例如心理辅导,心理帮助,婴幼儿教育,儿童陪伴等等内容。

这部分就不是完成一个任务,不是需要答案,而更多的是陪伴、娱乐、放松。一个Chatbot最简单的成功指标就是,本质是鼓励用户多和Chatbot交流,用户使用时长和用户下次继续使用的意愿,如果用户愿意一直陪着Chatbot聊天,那就成功了。

一般来说Chatbot只有两种技术,template-based和neural-based

template-based

也就是根据模板来选择回答

最简单的模板例如:

用户:你喜欢 * 吗?
系统:我喜欢 * 啊,你喜欢吗?
系统:我喜欢 * 啊,你还喜欢什么别的吗?

用户:你吃过 * 吗?
系统:我是机器人,不吃 *
系统:* 好吃吗?你告诉我呗

用户:你觉得 * 怎么样?
系统:这取决于你对 * 的理解,我不好回答啊
系统:我觉得 * 还不错吧,你怎么看?

可以看出,上面模板的*可以代指很多东西

当然实际应用上,模板可能比上面复杂的多,可以解决更多问题,设置算术题,计算,递归等等

这方面比较完整的研究是AIML语言,即 Artificial Intelligence Markup Language 语言。

是一种XML格式的标记语言,这部分方法也曾经是试图解决图灵测试的主力研究方法。

更多内容可以参考:

Wikipedia AIML

AIML tutorial

neural-based

是以神经机器翻译模型为参考,用来生成对话的模型。即基于深度学习的 sequence-to-sequence 模型(或变种),来生成对话。

这类模型直接训练对话,得到端到端的结果。训练数据大部分来自于电影字幕、社交媒体,或者其他已有的对话数据。

这方便比较前沿的研究如

(Jiwei Li, Adversarial Learning for Neural Dialogue Generation, 2017)

(Jiwei Li, Deep Reinforcement Learning for Dialogue Generation, 2016)

更多 Template-based 和 Neural-Based 的实现,我们后续张章节会讨论。


推荐阅读

AINLP年度阅读收藏清单

可解释性论文阅读笔记1-Tree Regularization

知识图谱存储与查询:自然语言记忆模块(NLM)

AINLP-DBC GPU 使用体验指南

征稿启示| 让更多的NLPer看到你的文章

AINLP-DBC GPU 云服务器租用平台建立,价格足够便宜

我们建了一个免费的知识星球:AINLP芝麻街,欢迎来玩,期待一个高质量的NLP问答社区

关于AINLP


AINLP 是一个有趣有AI的自然语言处理社区,专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享,主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等,欢迎关注!加技术交流群请添加AINLP君微信(id:AINLP2),备注工作/研究方向+加群目的。


登录查看更多
0

相关内容

FlowQA: Grasping Flow in History for Conversational Machine Comprehension
专知会员服务
29+阅读 · 2019年10月18日
“马踏飞”AI机器人实现方案介绍
PaperWeekly
5+阅读 · 2019年8月31日
基于深度学习的文本生成【附217页PPT下载】
专知
35+阅读 · 2018年11月24日
计算机视觉六大困难
深度学习
8+阅读 · 2018年2月19日
一文读懂智能对话系统
数据派THU
16+阅读 · 2018年1月27日
CCCF:周志华 | 关于强人工智能
AI科技评论
4+阅读 · 2018年1月17日
多轮对话之对话管理:Dialog Management
PaperWeekly
18+阅读 · 2018年1月15日
史上最全!阿里智能人机交互的核心技术解析
阿里技术
4+阅读 · 2017年12月2日
阿里智能对话交互实践与创新
人工智能头条
5+阅读 · 2017年11月30日
用Rasa NLU构建自己的中文NLU系统
待字闺中
18+阅读 · 2017年9月18日
Neural Approaches to Conversational AI
Arxiv
8+阅读 · 2018年12月13日
CoQA: A Conversational Question Answering Challenge
Arxiv
7+阅读 · 2018年8月21日
Arxiv
6+阅读 · 2018年5月18日
Arxiv
5+阅读 · 2018年5月1日
VIP会员
相关VIP内容
FlowQA: Grasping Flow in History for Conversational Machine Comprehension
专知会员服务
29+阅读 · 2019年10月18日
相关资讯
“马踏飞”AI机器人实现方案介绍
PaperWeekly
5+阅读 · 2019年8月31日
基于深度学习的文本生成【附217页PPT下载】
专知
35+阅读 · 2018年11月24日
计算机视觉六大困难
深度学习
8+阅读 · 2018年2月19日
一文读懂智能对话系统
数据派THU
16+阅读 · 2018年1月27日
CCCF:周志华 | 关于强人工智能
AI科技评论
4+阅读 · 2018年1月17日
多轮对话之对话管理:Dialog Management
PaperWeekly
18+阅读 · 2018年1月15日
史上最全!阿里智能人机交互的核心技术解析
阿里技术
4+阅读 · 2017年12月2日
阿里智能对话交互实践与创新
人工智能头条
5+阅读 · 2017年11月30日
用Rasa NLU构建自己的中文NLU系统
待字闺中
18+阅读 · 2017年9月18日
Top
微信扫码咨询专知VIP会员