雷鋒網(wǎng)按：本文作者王海良，呤呤英語開發(fā)總監(jiān)，北京JavaScript／Node.js開發(fā)者社區(qū)的運營者，曾就職IBM創(chuàng)新中心。本文為系列文章第三篇，由雷鋒網(wǎng)獨家首發(fā)。前兩篇文章作者分別介紹了聊天機器人目前的發(fā)展?fàn)顩r及基于規(guī)則和檢索的聊天機器人引擎。本文將主要介紹如何使用深度學(xué)習(xí)技術(shù)，依靠聊天語料來訓(xùn)練Bot Model。

第一篇傳送門：聊天機器人的發(fā)展?fàn)顩r與分類

第二篇傳送門：基于規(guī)則和檢索的聊天機器人引擎

本篇文章以這個開源項目為主線進行。

數(shù)據(jù)預(yù)處理

模型能聊的內(nèi)容也取決于選取的語料。如果已經(jīng)具備了原始聊天數(shù)據(jù)，可以用SQL通過關(guān)鍵字查詢一些對話，也就是從大庫里選取出一個小庫來訓(xùn)練。從一些論文上，很多算法都是在數(shù)據(jù)預(yù)處理層面的，比如Mechanism-Aware Neural Machine for Dialogue Response Generation就介紹了，從大庫中抽取小庫，然后再進行融合，訓(xùn)練出有特色的對話來。

【圖 3-1】 語料預(yù)處理, Ref. #7

對于英語，需要了解NLTK，NLTK提供了加載語料，語料標(biāo)準(zhǔn)化，語料分類，PoS詞性標(biāo)注，語意抽取等功能。

另一個功能強大的工具庫是CoreNLP，作為 Stanford開源出來的工具，特色是實體標(biāo)注，語意抽取，支持多種語言。

下面主要介紹兩個內(nèi)容：

中文分詞

現(xiàn)在有很多中文分詞的SDK，分詞的算法也比較多，也有很多文章對不同SDK的性能做比較。做中文分詞的示例代碼如下。

# coding:utf8
'''  
Segmenter with Chinese  
'''

import jieba  
import langid


def segment_chinese_sentence(sentence):  
   '''
   Return segmented sentence.
   '''
   seg_list = jieba.cut(sentence, cut_all=False)
   seg_sentence = u" ".join(seg_list)
   return seg_sentence.strip().encode('utf8')


def process_sentence(sentence):  
   '''
   Only process Chinese Sentence.
   '''
   if langid.classify(sentence)[0] == 'zh':
       return segment_chinese_sentence(sentence)
   return sentence

if __name__ == "__main__":  
   print(process_sentence('飛雪連天射白鹿'))
   print(process_sentence('I have a pen.'))

以上使用了langid先判斷語句是否是中文，然后使用jieba進行分詞。

在功能上，jieba分詞支持全切分模式，精確模式和搜索引擎模式。

全切分：輸出所有分詞。

精確：概率上的最佳分詞。

所有引擎模式：對精確切分后的長句再進行分詞。

jieba分詞的實現(xiàn)

主要是分成下面三步：

1、加載字典，在內(nèi)存中建立字典空間。

字典的構(gòu)造是每行一個詞，空格，詞頻，空格，詞性。

上訴書 3 n
上訴人 3 n
上訴期 3 b
上訴狀 4 n
上課 650 v

建立字典空間的是使用python的dict，采用前綴數(shù)組的方式。

使用前綴數(shù)組的原因是樹結(jié)構(gòu)只有一層 - word:freq，效率高，節(jié)省空間。比如單詞"dog", 字典中將這樣存儲：

{
 "d": 0,
 "do": 0,
 "dog": 1 # value為詞頻
}

字典空間的主要用途是對輸入句子建立有向無環(huán)圖，然后根據(jù)算法進行切分。算法的取舍主要是根據(jù)模式 - 全切，精確還是搜索。

2、對輸入的語句分詞，首先是建立一個有向無環(huán)圖。 
有向無環(huán)圖, Directed acyclic graph (音 /?d?ɡ/)。

【圖 3-2】 DAG

DAG對于后面計算最大概率路徑和使用HNN模型識別新詞有直接關(guān)系。

3、按照模式，對有向無環(huán)圖進行遍歷，比如，在精確模式下，便利就是求最大權(quán)重和的路徑，權(quán)重來自于在字典中定義的詞頻。對于沒有出現(xiàn)在詞典中的詞，連續(xù)的單個字符也許會構(gòu)成新詞。然后用HMM模型和Viterbi算法識別新詞。

精確模型切詞：使用動態(tài)規(guī)劃對最大概率路徑進行求解。

最大概率路徑：求route = (w1, w2, w3 ,.., wn)，使得Σweight(wi)最大。Wi為該詞的詞頻。

更多的細節(jié)還需要讀一下jieba的源碼。

自定義字典

jieba分詞默認的字典是:1998人民日報的切分語料還有一個msr的切分語料和一些txt小說。開發(fā)者可以自行添加字典，只要符合字典構(gòu)建的格式就行。

jieba分詞同時提供接口添加詞匯。

Word embedding

使用機器學(xué)習(xí)訓(xùn)練的語言模型，網(wǎng)絡(luò)算法是使用數(shù)字進行計算，在輸入進行編碼，在輸出進行解碼。word embedding就是編解碼的手段。

【圖 3-3】 word embedding, Ref. #7

word embedding是文本的數(shù)值化表示方法。表示法包括one-hot，bag of words，N-gram，分布式表示，共現(xiàn)矩陣等。

Word2vec

近年來，word2vec被廣泛采用。Word2vec輸入文章或者其他語料，輸出語料中詞匯建設(shè)的詞向量空間。詳細可參考word2vec數(shù)學(xué)原理解析。

• 使用word2vec

安裝完成后，得到word2vec命令行工具。

word2vec -train "data/review.txt" \  
 -output "data/review.model" \
 -cbow 1 \
 -size 100 \
 -window 8 \
 -negative 25 \
 -hs 0 \
 -sample 1e-4 \
 -threads 20 \
 -binary 1 \
 -iter 15

-train "data/review.txt" 表示在指定的語料庫上訓(xùn)練模型

-cbow 1 表示用cbow模型，設(shè)成0表示用skip-gram模型

-size 100 詞向量的維度為100

-window 8 訓(xùn)練窗口的大小為8 即考慮一個單詞的前八個和后八個單詞

-negative 25 -hs 0 是使用negative sample還是HS算法

-sample 1e-4 采用閾值

-threads 20 線程數(shù)

-binary 1 輸出model保存成2進制

-iter 15 迭代次數(shù)

在訓(xùn)練完成后，就得到一個model，用該model可以查詢每個詞的詞向量，在詞和詞之間求距離，將不同詞放在數(shù)學(xué)公式中計算輸出相關(guān)性的詞。比如：

vector("法國") - vector("巴黎) + vector("英國") = vector("倫敦")"  

對于訓(xùn)練不同的語料庫，可以單獨的訓(xùn)練詞向量模型，可以利用已經(jīng)訓(xùn)練好的模型。

其它訓(xùn)練詞向量空間工具推薦：Glove。

Seq2Seq

2014年，Sequence to Sequence Learning with Neural Networks提出了使用深度學(xué)習(xí)技術(shù)，基于RNN和LSTM網(wǎng)絡(luò)訓(xùn)練翻譯系統(tǒng)，取得了突破，這一方法便應(yīng)用在更廣泛的領(lǐng)域，比如問答系統(tǒng)，圖像字幕，語音識別，撰寫詩詞等。Seq2Seq完成了【encoder + decoder -> target】的映射，在上面的論文中，清晰的介紹了實現(xiàn)方式。

【圖 3-4】 Seq2Seq, Ref. #1

也有很多文章解讀它的原理。在使用Seq2Seq的過程中，雖然也研究了它的結(jié)構(gòu)，但我還不認為能理解和解釋它。下面談兩點感受：

a. RNN保存了語言順序的特點，這和CNN在處理帶有形狀的模型時如出一轍，就是數(shù)學(xué)模型的設(shè)計符合物理模型。

【圖 3-5】 RNN, Ref. #6

b. LSTM Cell的復(fù)雜度對應(yīng)了自然語言處理的復(fù)雜度。

【圖 3-6】 LSTM, Ref. #6

理由是，有人將LSTM Cell嘗試了多種其它方案傳遞狀態(tài)，結(jié)果也很好。

【圖 3-7】 GRU, Ref. #6

LSTM的一個替代方案：GRU。只要RNN的Cell足夠復(fù)雜，它就能工作的很好。

使用DeepQA2訓(xùn)練語言模型

準(zhǔn)備工作，下載項目：

git clone https://github.com/Samurais/DeepQA2.git  
cd DeepQA2  
open README.md # 根據(jù)README.md安裝依賴包  

DeepQA2將工作分成三個過程：

• 數(shù)據(jù)預(yù)處理：從語料庫到數(shù)據(jù)字典。

• 訓(xùn)練模型：從數(shù)據(jù)字典到語言模型。

• 提供服務(wù)：從語言模型到RESt API。

預(yù)處理

DeepQA2使用Cornell Movie Dialogs Corpus作為demo語料庫。

原始數(shù)據(jù)就是movie_lines.txt 和movie_conversations.txt。這兩個文件的組織形式參考README.txt

deepqa2/dataset/preprocesser.py是將這兩個文件處理成數(shù)據(jù)字典的模塊。

train_max_length_enco就是問題的長度，train_max_length_deco就是答案的長度。在語料庫中，大于該長度的部分會被截斷。

程序運行后，會生成dataset-cornell-20.pkl文件，它加載到python中是一個字典：

word2id存儲了{word: id}，其中word是一個單詞，id是int數(shù)字，代表這個單詞的id。

id2word存儲了{id: word}。

trainingSamples存儲了問答的對話對。

比如 [[[1,2,3],[4,5,6]], [[7,8,9], [10, 11, 12]]]

1，2，3 ... 12 都是word id。

[1,2,3] 和 [4,5,6] 構(gòu)成一個問答。 [7,8,9] 和 [10, 11, 12] 構(gòu)成一個問答。

開始訓(xùn)練

cp config.sample.ini config.ini # modify keys  
python deepqa2/train.py  

config.ini是配置文件, 根據(jù)config.sample.ini進行修改。訓(xùn)練的時間由epoch，learning rate, maxlength和對話對的數(shù)量而定。

deepqa2/train.py大約100行，完成數(shù)據(jù)字典加載、初始化tensorflow的session，saver，writer、初始化神經(jīng)元模型、根據(jù)epoch進行迭代，保存模型到磁盤。

session是網(wǎng)絡(luò)圖，由placeholder, variable, cell, layer, output 組成。

saver是保存model的，也可以用來恢復(fù)model。model就是實例化variable的session。

writer是查看loss fn或者其他開發(fā)者感興趣的數(shù)據(jù)的收集器。writer的結(jié)果會被saver保存，然后使用tensorboard查看。

【圖 3-8】 TensorBoard

Model

Model的構(gòu)建要考慮輸入，狀態(tài)，softmax，輸出。

定義損耗函數(shù)，使用AdamOptimizer進行迭代。

最后，參考一下訓(xùn)練的loop部分。

每次訓(xùn)練，model會被存儲在 save路徑下，文件夾的命名根據(jù)機器的hostname，時間戳生成。

提供服務(wù)

在TensorFlow中，提供了標(biāo)準(zhǔn)的serving模塊 - tensorflow serving。但研究了很久，還專門看了一遍 《C++ Essentials》，還沒有將它搞定，社區(qū)也普遍抱怨tensorflow serving不好學(xué)，不好用。訓(xùn)練結(jié)束后，使用下面的腳本啟動服務(wù)，DeepQA2的serve部分還是調(diào)用TensorFlow的python api。

cd DeepQA2/save/deeplearning.cobra.vulcan.20170127.175256/deepqa2/serve  
cp db.sample.sqlite3 db.sqlite3  
python manage.py runserver 0.0.0.0:8000  

測試

POST /api/v1/question HTTP/1.1  
Host: 127.0.0.1:8000  
Content-Type: application/json  
Authorization: Basic YWRtaW46cGFzc3dvcmQxMjM=  
Cache-Control: no-cache

{"message": "good to know"}

response  
{
 "rc": 0,
 "msg": "hello"
}

serve的核心代碼在serve/api/chatbotmanager.py中。

使用腳本

scripts/start_training.sh 啟動訓(xùn)練

scripts/start_tensorboard.sh 啟動Tensorboard

scripts/start_serving.sh 啟動服務(wù)

對模型的評價

目前代碼具有很高的維護性，這也是從DeepQA項目進行重構(gòu)的原因，更清晰的數(shù)據(jù)預(yù)處理、訓(xùn)練和服務(wù)。有新的變更可以添加到deepqa2/models中，然后在train.py和chatbotmanager.py變更一下。

有待改進的地方

a. 新建models/rnn2.py, 使用dropout。目前DeepQA中已經(jīng)使用了Drop.

b. tensorflow rc0.12.x中已經(jīng)提供了seq2seq network，可以更新成tf版本.

c. 融合訓(xùn)練，目前model只有一個庫，應(yīng)該是設(shè)計一個新的模型，支持一個大庫和小庫，不同權(quán)重進行，就如Mechanism-Aware Neural Machine for Dialogue Response Generation的介紹。

d. 代碼支持多機多GPU運行。

e. 目前訓(xùn)練的結(jié)果都是QA對，對于一個問題，可以有多個答案。

f. 目前沒有一個方法進行accuracy測試，一個思路是在訓(xùn)練中就提供干擾項，因為當(dāng)前只有正確的答案，如果提供錯誤的答案（而且越多越好），就可以使用recall_at_k方法進行測試。

最后

歡迎聯(lián)系我，尤其是業(yè)內(nèi)人士，給予指正，一起優(yōu)化。

本系列完結(jié)。

References

1. A Neural Conversational Model

2. Sequence to Sequence Learning with Neural Networks

3. DeepQA Project

4. Efficient Estimation of Word Representations in Vector Space

5. jieba分詞分析

6. Tensorflow and deep learning - without a PhD by Martin G?rner

7. Pragmatic NLP by Matt Fortier

雷峰網(wǎng)特約稿件，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。