0
| 本文作者： 奕欣 | 2018-02-04 10:50 |
雷鋒網(wǎng) AI 科技評論按：在 EmTech China 峰會上，微軟亞洲研究院副院長周明博士圍繞自然語言四個方面的進(jìn)展，結(jié)合 MSRA 在自然語言上的一系列研究成果做了介紹，雷鋒網(wǎng) AI 科技評論根據(jù)速記整理如下：
人工智能最重要的分支就是自然語言的理解與處理，即語言智能，通過對詞、句子、篇章進(jìn)行分析，對內(nèi)容里面的人物、時間、地點等進(jìn)行理解，然后在此基礎(chǔ)上，去支持一系列核心技術(shù)，比如跨語言的翻譯、問答系統(tǒng)、閱讀理解、知識圖譜等技術(shù)，基于這些技術(shù)，又可以把它應(yīng)用到其它應(yīng)用領(lǐng)域，比如說搜索引擎、客服、金融、新聞等等領(lǐng)域?？傊?，就是通過對語言的理解，實現(xiàn)人跟電腦的直接交流，從而實現(xiàn)人跟人更加有效地交流。自然語言技術(shù)不是一個獨立的技術(shù)，其受云計算、大數(shù)據(jù)、機器學(xué)習(xí)、知識圖譜等等各個方面的支撐。
接下來將從四個方面介紹自然語言的進(jìn)展，即神經(jīng)機器翻譯、聊天機器人、閱讀理解及機器創(chuàng)作。
神經(jīng)機器翻譯就是模擬人腦的翻譯過程，人在翻譯的時候，首先是理解這句話，然后在腦海里形成對這句話的語義表示，最后再把這個語義表示轉(zhuǎn)化到另一種語言。
神經(jīng)機器翻譯有兩個模塊，一個是編碼模塊，把輸入的源語言變成一個中間的語義表示，用一系列的機器的內(nèi)部狀態(tài)來代表，另一個模塊是解碼模塊，根據(jù)語義分析的結(jié)果，逐詞生成目標(biāo)語言。
神經(jīng)機器翻譯在這幾年發(fā)展非常迅速，2017 年的研究熱度更是一發(fā)不可收拾，現(xiàn)在神經(jīng)機器翻譯已經(jīng)取代了統(tǒng)計機器翻譯，成為機器翻譯的主流技術(shù)。目前有統(tǒng)計數(shù)據(jù)表明，在一些傳統(tǒng)的統(tǒng)計機器翻譯難以完成的任務(wù)上，神經(jīng)機器翻譯的性能遠(yuǎn)遠(yuǎn)超過了統(tǒng)計機器翻譯，而且跟人的標(biāo)準(zhǔn)答案非常接近，甚至說是相仿的水平。圍繞著神經(jīng)機器翻譯，研究者們已做了很多的工作，比如如何提升訓(xùn)練的效率，如何提升編碼和解碼的能力。還有一個重要的研究問題就是數(shù)據(jù)問題，神經(jīng)機器翻譯依賴于雙語對照的大規(guī)模的數(shù)據(jù)集來訓(xùn)練，端到端地訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù)，這涉及很多語音段和很多的垂直領(lǐng)域，但我們實際上并沒有那么多的數(shù)據(jù)，我們只有小量的雙語數(shù)據(jù)和大量的單語數(shù)據(jù)。
所以，我們就提出了半監(jiān)督的聯(lián)合垂直模型，已知一個雙語推導(dǎo)語料，分別對之訓(xùn)練，從而達(dá)到中英翻譯系統(tǒng)與英中翻譯系統(tǒng)的相互促進(jìn)，比如拿中英翻譯系統(tǒng)去翻中文的語料，形成很多偽的中英對照語料，然后把這個語料去加到英中翻譯里面去。同樣，用英中翻譯系統(tǒng)去翻譯大量的英文語料，然后把這個語料加到中英翻譯里面，這樣經(jīng)過多次迭代之后，翻譯水平大幅度提升。
微軟現(xiàn)在已經(jīng)全面采用神經(jīng)機器翻譯，最近還跟華為的 Mate10 手機合作，得到了神經(jīng)機器翻譯類似于在云上的效果。
第二個話題是聊天機器人。聊天機器人就是人和機器對聊，在聊天的時候機器要理解人的意圖，產(chǎn)生比較符合人的想法，以及符合當(dāng)前上下文的回復(fù)，再根據(jù)人與機器各自的回復(fù)將話題進(jìn)行下去。微軟小冰就是這樣的一個聊天機器人?；诋?dāng)前的輸入信息，再加上對話的情感，以及用戶的畫像，經(jīng)過一個類似于神經(jīng)機器翻譯的解碼模型生成回復(fù)，可以達(dá)到上下文相關(guān)、領(lǐng)域相關(guān)、話題有關(guān)，而且是針對用戶特點的個性化的回復(fù)。
這樣的技術(shù)已經(jīng)應(yīng)用到微軟的很多產(chǎn)品里，比如會 5 種語言、擁有 1 億以上用戶的微軟小冰、可以進(jìn)行自然人機交互的 Cortana、可以在敦煌回答游客問題的敦煌小冰。
下一個話題是閱讀理解，閱讀理解就是讓電腦看一遍文章，針對這些文章問一些問題，看電腦能不能回答出來。斯坦福大學(xué)曾做過一個比較有名的實驗，就是使用維基百科的文章提出 5 個問題，由人把答案做出來，然后把數(shù)據(jù)分成訓(xùn)練集和測試集，訓(xùn)練集是公開的，用來訓(xùn)練閱讀理解系統(tǒng)，而測試集不公開，個人把訓(xùn)練結(jié)果上傳給斯坦福，斯坦福在其云端運行，再把結(jié)果報在網(wǎng)站上，這也避免了一些人對測試集做手腳。閱讀理解技術(shù)，自 2016 年 9 月前后發(fā)布，就引起了很多研究單位的關(guān)注，大概有二三十家單位都在做這樣的研究，一開始的水平都不是很高，以 100 分為例，人的水平是 82.3 左右，機器的水平只有 74 分，相差甚遠(yuǎn)，后來通過類似于開源社區(qū)模式的不斷改進(jìn)，它的性能就得以逐步地提高了。
最近在閱讀理解領(lǐng)域出現(xiàn)的一個備受關(guān)注的問題，就是如何才能做到超越人的標(biāo)注水平?，F(xiàn)在微軟、阿里巴巴、科大訊飛和哈工大的系統(tǒng)，都超越了人工的標(biāo)注水平，這標(biāo)志著閱讀理解技術(shù)進(jìn)入了一個新的階段。這幾個系統(tǒng)都來自中國，也體現(xiàn)中國在自然語言處理的進(jìn)步。
一個閱讀理解的框架首先要得到每個詞的語義表示，再得到每個句子的語義表示，這可以用循環(huán)神經(jīng)網(wǎng)絡(luò) RNN 來實現(xiàn)，然后用特定路徑來找出潛在答案，基于這個答案再篩選出最優(yōu)的答案，最后確定這個答案的邊界。在做閱讀理解的時候，是用到了外部的知識，可以用大規(guī)模的語料來訓(xùn)練外部的知識，通過外部知識訓(xùn)練的 RNN 模型，加入到原來端到端的訓(xùn)練結(jié)果中，以此來大幅度地提高閱讀理解的能力。
最后介紹機器創(chuàng)作，機器可以做很多理性的東西，那么它可以做一些創(chuàng)造性的東西嗎？10 年以前，我們就開始做微軟對聯(lián)，在此基礎(chǔ)上，創(chuàng)作絕句、律詩、唐詩宋詞等等，現(xiàn)在進(jìn)行寫歌譜曲。在微軟對聯(lián)里，用戶輸入上聯(lián)，系統(tǒng)就可以對出下聯(lián)，也可以給出橫批；在字謎游戲里，用戶給出謎面，讓系統(tǒng)猜出字；或系統(tǒng)給出謎面讓用戶猜出字。
我們的編碼解碼技術(shù)已經(jīng)成功用于神經(jīng)網(wǎng)絡(luò)機器翻譯、小冰機器人和詞曲創(chuàng)作中。中央電視臺《機智過人》節(jié)目就曾播過我們的小冰與人類選手進(jìn)行詞曲創(chuàng)作比拼的環(huán)節(jié)，結(jié)果是小冰險勝人類。這件事說明如果有大數(shù)據(jù)，那么機器學(xué)習(xí)或者深度學(xué)習(xí)就可以模擬人類的創(chuàng)造智能，創(chuàng)造出一些作品來，也可以與專家合作，幫助專家產(chǎn)生更好的想法，然后兩者配合，產(chǎn)生出美妙的音樂。
這個在以前是難以想象的，做自然語言的人從來沒有想到自然語言還可以延伸到音樂上去，其實音樂也是一種語言，自然語言的所有技術(shù)就可以應(yīng)用到音樂上去，這需要大家的想象力。
今天我快速介紹了自然語言處理在神經(jīng)機器翻譯、閱讀理解、聊天機器人以及機器創(chuàng)作領(lǐng)域的進(jìn)展。隨著未來大數(shù)據(jù)、云計算和深度學(xué)習(xí)的發(fā)展，模型還會進(jìn)一步地提升，再加上合適的場景，技術(shù)就可以落地，就可以服務(wù)于成千上萬的用戶?？梢灶A(yù)料，隨著自然語言處理技術(shù)的提高與普及，它將會與其他的人工智能技術(shù)一起提升人類的生活水平。
雷鋒網(wǎng)延伸閱讀：
微軟副院長周明：NLP目前存在的問題、以及未來的發(fā)展方向
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
