熟悉搜索引擎的朋友會(huì)發(fā)現(xiàn)這個(gè)架構(gòu)跟搜索引擎的很類似。單輪問答一般來說就是FAQ問答，是基于業(yè)務(wù)問答對組成的問答庫進(jìn)行檢索匹配。其中FAQ問題集包含多個(gè)相似問法供用戶問題去匹配。預(yù)處理階段一般會(huì)進(jìn)行文本糾錯(cuò)，標(biāo)準(zhǔn)化和底層NLP特征提??；召回階段會(huì)在倒排索引中召回若干個(gè)候選問題（粗排），而最后的匹配階段會(huì)基于各種模型進(jìn)行匹配打分并返回得分最高的結(jié)果（精排）。匹配階段還會(huì)引入其他模塊，如知識圖譜和拒識模型，目的是輔助提升匹配的最終準(zhǔn)確率。

retrieval中的匹配可以看做是naive solution，詞袋+VSM, 篩選候選夠用了，但是精排需要更精致的策略，第一，要利用監(jiān)督信息做擬合，我們構(gòu)建基于問題對的訓(xùn)練語料，擬合是否匹配這個(gè)二分類目標(biāo)。第二，特征上拋棄稀疏的詞袋模型，而是構(gòu)造各種相似度來做base scorer，然后利用非線性的抗噪能力強(qiáng)的xgboost來做融合，比如我們用到詞bigram, 字bigram, 核心詞，名詞等特征集合的相似度。這種方法的優(yōu)缺點(diǎn)是一體的，由于模型只學(xué)習(xí)字面相似的特征，因此不受領(lǐng)域影響，通用性強(qiáng)，適合用在冷啟動(dòng)階段；但也因?yàn)橹豢紤]字面相似，無法處理更深層的語義匹配。

那如何度量語義的相似呢。詞向量技術(shù)的興起是語義匹配的前提，所謂詞向量，是將孤立的傳統(tǒng)的token表示映射到相互關(guān)聯(lián)的向量空間中，這種關(guān)聯(lián)性，或者說是相似性，是通過詞語的上下文的來描述的。也就是說，上下文越相似的詞語，他們的語義就越相似，詞向量的歐式距離就越近。這是很容易理解的，更妙的是，通過對向量進(jìn)行簡單加減運(yùn)算，能夠呈現(xiàn)出概念的關(guān)系，比如king-man+woman的結(jié)果非常接近于queen, 因此說明詞向量能夠一定程度刻畫語義。那對句子如何做向量表示呢？一個(gè)簡單的想法是直接求和平均，WMD是另一個(gè)比較有意思且有效的做法，他將計(jì)算句子到句子的相似度建模成一個(gè)運(yùn)輸?shù)膯栴}，把句子p的各個(gè)詞，運(yùn)輸?shù)絨的各個(gè)詞上，也可以說是變換；運(yùn)輸成本是詞向量的cosine相似度，而要運(yùn)輸?shù)氖歉鱾€(gè)詞在句子中的權(quán)重，用線性規(guī)劃求解一個(gè)最優(yōu)解，即為p到q的距離。另外還有個(gè)有效的方法是SIF，思路是做詞向量加權(quán)求和，但是突顯出句子中非通用的部分，即權(quán)重用詞頻倒數(shù)來計(jì)算權(quán)重，實(shí)驗(yàn)效果也很不錯(cuò)。

上面的方法有一個(gè)問題就是沒有利用有監(jiān)督信息，所以效果有明顯的天花板。下面介紹這個(gè)工作是基于深層網(wǎng)絡(luò)做有監(jiān)督學(xué)習(xí)的匹配的，做法也比較簡單，首先把句子文本用one-hot編碼，假如詞典大小是500K，那編碼完長度就是500K維，其實(shí)等于是詞袋模型，然后輸入到一個(gè)多層的神經(jīng)網(wǎng)絡(luò)去學(xué)習(xí)，最終得到一個(gè)128維的向量作為句子的語義表示，然后用cosine計(jì)算兩個(gè)句子與文檔的相似度作為模型輸出。這個(gè)方法其實(shí)是將高維稀疏的token特征映射到低維語義空間，跟詞向量的思路很類似，只不過訓(xùn)練目標(biāo)不同，并且這里使用了深層網(wǎng)絡(luò)結(jié)構(gòu)。

上面工作的問題是對句子的輸入進(jìn)行建模時(shí)還是詞袋模型的思路，沒有考慮詞的位置和順序信息，因此我們需要考慮引入特征提取能力更強(qiáng)的網(wǎng)絡(luò)單元。先介紹左邊這位大名鼎鼎CNN, 卷積神經(jīng)網(wǎng)絡(luò)，原來是圖像領(lǐng)域上的關(guān)鍵技術(shù)，通過不同的卷積核用來處理鄰近區(qū)塊信息提取。就好比一個(gè)人透過各種不同的過濾鏡片逐塊逐塊地觀察一副圖片，所謂橫看成嶺側(cè)成峰，關(guān)注到不同的影像然后記憶下來，再用這些不同的影像來對原始圖片做表達(dá)，有點(diǎn)類似把信息分出了多個(gè)層次，顯然魯棒性更好。移植至到NLP上，CNN可以用來捕捉局部上下文的信息，如左邊這個(gè)例子，CNN觀察范圍為3，不同的卷積核關(guān)注不同的詞語組合，然后再通過最大池化選出關(guān)注度最高的部分，完成一次特征抽取過程。

但是CNN對上下文的處理能力依賴于窗口大小，遠(yuǎn)距離就沒辦法處理了，因此要考慮另一種網(wǎng)絡(luò)單元RNN，這種單元是專門為時(shí)序模型量身打造的，簡單來說，每一時(shí)刻t上的隱藏狀態(tài)，或者說第t個(gè)詞上的語義編碼，都由兩個(gè)輸入共同決定，即上一時(shí)刻的隱藏狀態(tài)和當(dāng)前時(shí)刻的原始輸入，而為了解決遠(yuǎn)距離傳遞導(dǎo)致的梯度消失和梯度爆炸等問題，RNN有一些變種結(jié)構(gòu)來應(yīng)對，比如 LSTM和GRU等。

CNN和RNN都是對原始輸入進(jìn)行語義編碼的基本單元，編碼后的向量就可以接入多層感知機(jī)進(jìn)行相似度計(jì)算，如果是直接計(jì)算cosine相似度，那就是dssm的升級版，而更常見的做法是把兩個(gè)句子的編碼向量拼接在一起，再經(jīng)過一個(gè)多層感知機(jī)計(jì)算相似度，而這種方法統(tǒng)稱為表達(dá)式建模；

另一種方案考慮到兩個(gè)句子之間的交互信息對學(xué)習(xí)他們是否匹配顯然更為重要，這一類方案被稱為交互式建模，右邊是一個(gè)典型的例子，他最大的不同是首先對兩個(gè)句子的所有窗口組合進(jìn)行拼接和卷積，得到交互信息。然后再進(jìn)行多次卷積和池化得到表示。其他的交互方式還包括編碼之后，進(jìn)行交互操作，如作差，點(diǎn)乘等，還有計(jì)算attention表示，也是常見的交互方式。

下面介紹我們的方案，跟上面介紹的模型相比，我們的方案主要做了兩處改動(dòng)，一個(gè)是使用了稠密連接的網(wǎng)絡(luò)結(jié)構(gòu)，讓rnn層的輸入和輸出拼接在一起做為下一層的輸入，第二個(gè)是混合注意力機(jī)制，即在計(jì)算attention向量進(jìn)行交互式建模的基礎(chǔ)上，增加self-attention向量計(jì)算，然后把兩個(gè)attention向量經(jīng)過門機(jī)制進(jìn)行融合，這樣做一方面引入了問句間的交互信息，同時(shí)又增強(qiáng)了對自身的表達(dá)建模。

上面的模型是比較復(fù)雜的模型，參數(shù)量有5.8M。在實(shí)際中應(yīng)用中訓(xùn)練語料會(huì)嚴(yán)重不足，為了解決這個(gè)問題，我們引入了遷移學(xué)習(xí)的策略。首先第一種是多任務(wù)聯(lián)合學(xué)習(xí)，比如在擬合兩個(gè)問句是否匹配的同時(shí)，也對問句進(jìn)行分類預(yù)測；另外還可以同時(shí)對匹配的問題對做seq2seq的翻譯模型訓(xùn)練。這兩個(gè)策略都證明能有效提升準(zhǔn)確率。

而另一個(gè)思路更加直觀，即引入其他領(lǐng)域的語料，所謂多語料遷移。Fine-tune即參數(shù)微調(diào)是其中一種做法，即先用通用語料訓(xùn)練網(wǎng)絡(luò)，固定底層表達(dá)層的參數(shù)，然后再使用領(lǐng)域語料調(diào)整上層參數(shù)；另一種思路參考了對抗學(xué)習(xí)的思想，即引入一個(gè)新的任務(wù)“混淆分類器”去判別當(dāng)前樣本是來自源語料還是目標(biāo)語料，通過在損失函數(shù)中增加反向的混淆分類損失項(xiàng)，讓混淆分類器盡可能地?zé)o法區(qū)分樣本的來源，從而保證共享了參數(shù)的表達(dá)網(wǎng)絡(luò)能夠?qū)W習(xí)到兩部分語料中共性的部分。

以上的介紹都是為了完成一個(gè)基本的單輪對話機(jī)器人，而實(shí)際應(yīng)用中，往往存在需要需要交互的場景，比如查詢社保余額，就需要用戶提供指定信息，如姓名，身份證號，手機(jī)號等。這種是所謂任務(wù)導(dǎo)向型機(jī)器人，而另一種，基于知識圖譜的機(jī)器人也往往會(huì)涉及到多輪交互。這里簡單介紹一下多輪對話機(jī)器人的架構(gòu)，整體上是一個(gè)對話管理系統(tǒng)，總的來說是管理會(huì)話狀態(tài)，包含4個(gè)模塊，分別是輸入部分：自然語言理解模塊NLU，負(fù)責(zé)意圖識別和抽取槽位實(shí)體，比如這里匹配到了意圖是查詢社保余額，抽取到了社保號1234。得到的意圖和槽位值會(huì)送入到對話狀態(tài)追蹤模塊，DST，他負(fù)責(zé)會(huì)話狀態(tài)的更新，形式化來說是一個(gè)函數(shù)，輸入是當(dāng)前狀態(tài)s和當(dāng)前的query經(jīng)過NLU處理過得到的意圖和槽位值q, 輸出新的狀態(tài)s‘，下一步是把s’送入DPL，對話策略模塊，這個(gè)模塊是根據(jù)新的狀態(tài)s‘輸出行動(dòng)a，通常這個(gè)決策選擇會(huì)依賴于一個(gè)外部數(shù)據(jù)庫或知識圖譜，最后，由輸出部分，自然語言生成模塊NLG負(fù)責(zé)將行動(dòng)轉(zhuǎn)換為自然語言文本，返回給用戶。

以上是多輪對話的原理框架，可以用不同的方式實(shí)現(xiàn)，近年來研究的熱點(diǎn)是所謂end-to-end的神經(jīng)網(wǎng)絡(luò)模型，希望可以利用神經(jīng)網(wǎng)絡(luò)的語義編碼能力和深層網(wǎng)絡(luò)的堆疊實(shí)現(xiàn)端到端學(xué)習(xí)，減少各個(gè)模塊的擬合bias導(dǎo)致的損失。但實(shí)用中我們并不會(huì)真正實(shí)現(xiàn)輸入到輸出的end-to-end學(xué)習(xí)，主要是因?yàn)槟Ｐ蜕疃冗^深不且多輪對話的語料非常欠缺，模型不好訓(xùn)練。實(shí)際中是分開各自的模塊進(jìn)行訓(xùn)練的，比如NLU中的槽位抽取就可以用基于神經(jīng)網(wǎng)絡(luò)的序列標(biāo)注模型來建模，意圖識別則可以通過之前的語義匹配模型或者分類模型來做都可以，NLG則是用seq2seq的翻譯模型來訓(xùn)練，這樣做比較靈活。而在多輪對話中比較受關(guān)注的是對話狀態(tài)和策略的建模，做法有多種，比如對上一次的agent輸出，本次的用戶輸入，當(dāng)前的狀態(tài)下可用的數(shù)據(jù)集合一起進(jìn)行編碼，然后輸入到一個(gè)神經(jīng)網(wǎng)絡(luò)中學(xué)習(xí)action的選擇，即policy learning，這里除了使用有監(jiān)督學(xué)習(xí)，還可以進(jìn)一步使用強(qiáng)化學(xué)習(xí)的技術(shù)，即構(gòu)造一個(gè)用戶模擬器，讓agent跟他不斷交互，根據(jù)交互是否完成任務(wù)和交互輪數(shù)來給agent不同的獎(jiǎng)勵(lì)和懲罰，從而最終學(xué)習(xí)出高成功率的對話策略。這部分的內(nèi)容也特別有意思，希望以后可以單獨(dú)展開來說。

前面提到的單輪FAQ機(jī)器人，有一個(gè)問題是問答準(zhǔn)確率依賴于問答庫的質(zhì)量，而問答庫的構(gòu)建耗時(shí)費(fèi)力，所以針對數(shù)據(jù)較大的非結(jié)構(gòu)化文檔，如果可以直接從中抽取答案，是非常理想的做法。比如斯坦佛大學(xué)開源的drQA，就是基于wikipedia的語料做的一個(gè)開放域上的問答機(jī)器人，我們來看看這種閱讀理解機(jī)器人的架構(gòu)示意，他也是基于檢索重排的思路，首先把可能的文段從語料庫中摘取出來，然后送入閱讀理解模型進(jìn)行答案定位，打分，排序和選擇得分最高的答案。閱讀理解模型與匹配模型是類似的，需要先對問題和候選文段進(jìn)行編碼表示，不同之處在于最終預(yù)測的目標(biāo)是答案的起始和結(jié)束位置。我所在的團(tuán)隊(duì)在去年，在閱讀理解的權(quán)威公開測評Squad v1中取得過第一的成績，同時(shí)參加這個(gè)測評的包括了google, facebook, 微軟，阿里idst, 科大訊飛等國內(nèi)外同行。說明業(yè)界對這種技術(shù)還是非?？粗氐?。

下面分享小知在把以上技術(shù)落地產(chǎn)品化的經(jīng)驗(yàn)。首先我們來看看小知的整體架構(gòu)圖，核心引擎有兩部分，一塊是上面重點(diǎn)闡述的深度語義匹配模型，另一塊是本次分享沒有展開的知識圖譜引擎，在此之上，我們構(gòu)建了FAQ機(jī)器人，多輪會(huì)話機(jī)器人（任務(wù)機(jī)器人），閑聊機(jī)器人等。以下是我們單輪和多輪機(jī)器人的示例。

在我們實(shí)際的落地項(xiàng)目中，得益于深度遷移模型的語義匹配能力和行業(yè)知識圖譜的的精準(zhǔn)匹配和輔助追問，小知機(jī)器人能夠做到95%左右的問答準(zhǔn)確率，并且節(jié)省了50%以上的服務(wù)人力，切實(shí)為政府和企業(yè)提升效率和降低成本。

在智能客服的基礎(chǔ)上，我們又打造了基于語音的電話機(jī)器人，力主融合智能客服，人工在線客服，工單系統(tǒng)和電話機(jī)器人，為客戶打造從售前售中售后的整體解決方案。

以下是電話機(jī)器人的整體架構(gòu)圖，核心是自然語言理解NLU模塊，負(fù)責(zé)識別用戶提問意圖

提取相關(guān)實(shí)體。根據(jù)NLU輸出的結(jié)果，內(nèi)置的對話管理引擎會(huì)進(jìn)行流程狀態(tài)流轉(zhuǎn)和跟蹤。

另外，ASR語音識別和TTS語音合成是不可或缺的重要服務(wù)，這三個(gè)模塊相互協(xié)作，共同完成與用戶的交互。

最后對智能問答的未來發(fā)展提幾點(diǎn)我的看法。目前學(xué)術(shù)界比較公認(rèn)的一個(gè)方向是，需要更有機(jī)地結(jié)合模型和規(guī)則，而在問答領(lǐng)域，規(guī)則的一大組成部分就是知識圖譜，包括開放領(lǐng)域的知識圖譜和專業(yè)領(lǐng)域知識圖譜。而更進(jìn)一步地，我們需要研究帶有推理性質(zhì)的事理型知識圖譜去描述領(lǐng)域內(nèi)的規(guī)則和知識，讓機(jī)器人能夠處理帶有復(fù)雜條件的問題，提供更智能的回復(fù)。在我看來，智能問答的一個(gè)突破口就在于解決以上三個(gè)問題。以上就是今天分享的內(nèi)容，謝謝大家。

主講人介紹：

陳松堅(jiān)，騰訊數(shù)據(jù)平臺部算法高級研究員，有著8 年的 NLP 研發(fā)經(jīng)驗(yàn)，2017 年加入騰訊 TEG 數(shù)據(jù)平臺部，負(fù)責(zé)智能客服產(chǎn)品騰訊小知的算法規(guī)劃和落地。負(fù)責(zé)過多個(gè)智能客服項(xiàng)目，對封閉領(lǐng)域的智能問答有豐富的實(shí)戰(zhàn)經(jīng)驗(yàn)。

songjy