[关闭]
@Rays 2018-01-30T09:09:25.000000Z 字数 6037 阅读 2270

MILABOT:基于深度强化学习打造聊天机器人

论文导读


摘要: 论文介绍了加拿大蒙特利尔大学Yoshua Bengio研究组提出的MILABOT聊天机器人。MILABOT是一种开放域的聊天机器人,使用多种NLP和检索模型组合而成,并应用强化学习在众包数据和真实用户交互数据上训练策略选择模型,从各个响应模型给出的响应集中做出最优选择。MILABOT通过机器学习获取策略,减少了人工参与规则制定,并可使用更多的数据不断地优化模型。在Amazon Alexa开放域聊天机器人竞赛中,通过A/B测试验证了MILABOT的优越性能。

论文标题: A Deep Reinforcement Learning Chatbot,NIPS 2017 Demo

作者: Iulian V. Serban, Chinnadhurai Sankar, Mathieu Germain等(Yoshua Bengio组)

编译: 盖磊

正文:

随着移动智能设备的普及,对聊天机器人和智能个人助理的需求日益迫切。一种业界观点认为,由人工智能技术驱动的聊天机器人将成为未来的移动端界面,从根本上改变人机交互的体验。我们已经看到了Amazon Echo和Google Home等产品,它们在日常生活、电子商务、信息获取等领域有广泛的应用。但是实现真正的开放域智能聊天机器人(Socialbot,也称为聊天机器人(Chatbot)或闲聊机器人(Chitchat bot)),依然是人工智能研究领域一个尚待解决的问题,仍然需要工业界和研究领域去努力解决大量挑战。

过去几年中深度学习的发展,尤其是近一年内深度强化学习(Deep reinforcement learning,DRL)的推进,为解决开放域人机交互提供了以一种可能技术途径。强化学习的显著特征是智能体(Agent)从用户处得到反馈并给予用户奖励(Reward),通过学习给出有助于实现整体奖励最大化目标的响应。Alphago的成功使人们看到了强化学习在序列决策上的巨大进步,这些进步进而推动了DRL在自动语音和自然语言理解领域的研究,探索解决自然语言理解及响应等开展对话中存在的挑战。基于深度强化学习的Bot具有扩展到当前尚无法涉足领域的能力,适用于开放域聊天机器人的场景。

本文介绍了加拿大蒙特利尔大学Yoshua Bengio研究组提出的MILABOT的模型、实验和最终系统。论文被NIPS 2017 Demo收录。MILABOT使用深度学习组合了多种NLP模型,在Amazon于2016年组织的开放域Socialbot竞赛取得很好的成绩,优于任何非组合模型。MILABOT的独到之处在于,首先它针对表达(utterance)响应的任务使用强化学习算法,大规模地组合了过去近十年中所有成功的NLP模型和算法,最小化了对手工定制规则和状态的需求。其次在训练参数化模型中,使用了Amazon竞赛提供的机会,在真实用户上训练和测试了当前最新机器学习算法的机会。训练后的系统在A/B测试中得到了显著改进的结果。

下面,我们介绍论文的主要思想和创新之处。

系统概览

早期的对话系统主要基于由专家人工制定的状态和规则。而现代对话系统通常使用组合学习的架构,将手工定制状态和规则组合到统计机器学习算法中。由于人类语言的复杂性,在构建在开放域对话机器人时,最大的挑战在于无法枚举所有可能的状态。

MILABOT完全采用基于统计机器学习的方法,在处理和生成自然人类对话中做了尽可能少的假设。模型中每个组件的设计使用机器学习方法优化,通过强化学习对各个组件的输出进行优化。其灵感来自于组合机器学习系统,即由多个独立的统计模型组成更好的学习系统。例如,2009年Netflix大奖赛胜出系统使用了数百个模型的组合,很好地预测了用户电影倾向。另一个例子是IBM的Watson在2011年赢得了quiz游戏Jeopardy!。这些实例说明了组合学习的优越之处。

在MILABOT中,Dialogue Manger(DM)组合了一系列的响应模型,由DM担当强化学习中的智能体,其控制结构如图1所示。DM将所有模型的响应(Response)以一定的策略组合在一起。在MILABOT的设计中,响应模型使用了多种策略,生成各种话题的响应,本文将详细介绍各种策略模型在设计上的考虑。

图1 DM的控制结构

如图1所示,DM给出响应的过程分为三个步骤。首先,DM调用各种响应模型,生成一组候选响应。如果候选集中具有优先响应,那么返回该优先响应。如果候选集中没有优先响应,那么系统使用策略模型给出规则,从候选响应集中选取一个响应。一旦置信值低于给定的阈值,那么系统会请求用户重复最后一个表达。

下面,我们分别介绍MILABOT所使用的各种响应模型,以及在生成响应的策略模型设计考虑。

响应模型

每个响应模型输入对话,并生成自然语言形式的响应。此外,响应模型还会输出一到多个标量,用于标识给出响应的置信度。MILABOT组合使用了22种响应模型,这些响应模型使用了近十年来NLP领域一些突出的研究成果。模型可分为:

论文所使用的模型介绍及训练情况,可参见详细报告

模型选取策略

在多种响应模型生成候选响应集后,DM使用策略模型确定选择策略,从候选集中确定将返回给用户的响应。DM必须应能选出提升用户整体满意度的响应,这需要在响应的实时性和用户整体满意度两者间作权衡。此外,响应选取中也应该考虑在用户的即刻满意度和整体满意度间作权衡。论文使用了Richard Sutton 和Andrew Barto提出的经典强化学习框架,将该问题看成是一种序贯决策问题(sequential decision making),形式化定义为:给定时序,在t时刻的对话为,智能体需要从一组K个响应中做出选取,并得到奖励。当系统转移到下一个状态时,响应为,选取响应后得到奖励为。强化学习的最终目标是最小化。其中是折现系数(discount factor)。构建强化学习模型中考虑的因素包括:

图2 模型选择策略评分模型的计算图。计算基于行为价值函数和随机策略参数化。

论文将打分函数和行为价值函数参数化,构建了结构如图2所示的五层的神经网络。神经网络的第一层是输入层,该层使用的特征抽取自对话历史和生成响应,用于表示对话历史和候选响应。特征考虑了基于词嵌入、对话、POS标签、Unigram词重叠、Bigrapm词重叠和一些特定于模型特征的组合,合计1458个(可参见详细报告)。第二层包含了500个隐含单元,通过对输入层特征应用线性转换及ReLU激活函数计算。第三层包含了20个隐含层,通过对前面的层应用线性转换计算得到。第四层包含了5个输出概率的单元,通过对前面的层应用线性转换并随后做softmax转换计算得到,并对应到Amazon Mechanical Turk(AMT)给出的标签。第五层是最终输出层,给出一个单标量值。该层通过对第三层和第四层中的单元做线性转换计算得到。为了学习各层的参数,论文深入研究了五种不同的机器学习方法。

图3 使用不同的策略时,响应AMT标签类的频率情况。

图4 抽象话语MDP的有向概率图模型。

抽象话语MDP的有向概率图模型如图4所示。对于某一时刻t,是表示对话抽象状态的离散变量,表示对话历史,表示系统所采取的动作(即选定的响应),表示抽样AMT标签,表示抽样奖励。其中,的状态被定义为一个离散值的三元组,包括对话行为状态(接受、拒绝、请求、提问等)、情感状态(正向、负向、中立)和表达状态(真、假)。模型的训练可以直接使用模拟数据,训练方法使用具有经验池(experience replay)的Q-learning,策略参数化为行为价值函数。各种策略在AMT上的评估情况如表1所示。

表1 策略在AMT上打分均值和标准偏差的评估情况,置信区间为90%

实验评估

团队使用A/B测试,检验DM在选取策略模型上的有效性。测试在Amazon竞赛环境中开展,当Alexa用户与系统对话时,会自动指定一个随机策略,随后记录对话内容和打分情况。A/B测试可以检验不同策略在同一系统环境下的对比情况,其中考虑了不同时间段用户的不同情况。团队的测试分三个阶段开展。

第一阶段测试了五种不同的策略生成方法,并与启发式的基线方法Evibot+Alicebot做了对比。第二个阶段测试主要针对离策略和Q-learning强化学习方法。第三阶段测试使用优化参数的模型和训练集,进一步测试了离策略和Q-learning。测试结果如表2所示。

表2 95%置信区间下的A/B测试结果。“*”标识了95%的统计显著性。

从测试结果可见,离策略和Q-learning表现出比其它策略更优的结果。从平均情况来看,Q-leaning给出的打分最好。总而言之,实验表明了组合方法的有效性。MILABOT通过将多个NLP模型给出的响应组合在一起,并使用策略模型选取打分最优的响应,并可不断改进策略学习。

结论

论文提出了一种新的大规模基于组合学习的对话系统MILABOT,并在Amazon Alexa大奖赛中进行了验证。MILABOT使用了大量的机器学习方法,包括深度学习和强化学习。其中,团队提出了一种新颖的强化学习方法。通过使用A/B测试与已有强化学习方法的对比,在真实Alexa用户数据上取得了更优的对话效果。

论文对进一步工作提出了两个方向。一个方向是实现个性化,使聊天机器人能提供更好的用户体验。实现的技术途径可能涉及对每个用户学习嵌入向量。另一个方向是基于文本的评估,以消除语音识别错误对聊天机器人的影响因素。

查看英文原文: A Deep Reinforcement Learning Chatbot

添加新批注
在作者公开此批注前,只有你和作者可见。
回复批注