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：

• 基于模板的模型，包括Alicebot、Elizabot和Storybot。

• 基于知识库的问答系统，包括Evibot、BoWMovies。

• 基于检索的神经网络，包括VHRED models、SkipThought Vector Models、Dual Encoder Models、Bag-of-words Retrieval Models。

• 基于检索的逻辑回归，包括BoWEscapePlan等。

• 基于搜索引擎的神经网络，包括LSTMClassifierMSMarco等。

• 基于生成的神经网络，包括GRUQuestionGenerator等。

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$t=1,\ldots,T$，在t时刻的对话为$h_t$，智能体需要从一组K个响应$a_t^1,\ldots,a_t^K$中做出选取，并得到奖励$r_t$。当系统转移到下一个状态$h_{t+1}$时，响应为$a_{t+1}^1,\ldots,a_{t+1}^K$，选取响应后得到奖励为$r_{t+1}$。强化学习的最终目标是最小化$R=\sum_{t=1}^T\gamma^t r^t$。其中$r \in (0,1]$是折现系数（discount factor）。构建强化学习模型中考虑的因素包括：

• 行为价值函数的参数化：行为价值函数（action-value function）由参数$\theta$定义，$Q_{\theta}(h_t,a_t^k) \in \mathbb{R}, \ k=1,\ldots,K$。学习的期望返回值实现参数最大化$\pi_{\theta}(h_t)=\mathop{\arg\max}_k Q_{\theta}(h_t,a_t^k)$。

• 随机策略的参数化：假定策略是随机的，那么随机分布服从动作的一个参数化分布$\pi_\theta(a_t^k|h_t)=\frac{e^{\lambda^{-1}f_\theta(h_t,a_t^k)}}{\sum_{a_t^{'}}e^{\lambda^{-1}f_\theta(h_t,a_t^{'})}}$。其中，$f_\theta(h_t,a_t^k)$是以$\theta$为参数的打分函数（scoring function）。可使用贪心策略$\pi_\theta^{greedy}(h_t)=\mathop{\arg\max}_k \pi_\theta(a_t^k| h_t)$，选取具有最大概率的动作。

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。

• 使用众包标签的有监督学习。该方法（称为“有监督AMT”）是打分模型学习的首个过程，所得到的模型参数可用于其它方法的启动参数。该方法在众包标签数据上使用有监督的学习，给出对行为价值函数$Q_\theta$的估计。训练所需的数据集由AMT采集，并使用人工给出对响应的打分（从1到5）。研究团队从真实的Alexa用户会话中采集了199,678个标签，并分为训练数据集（137,549）、开发数据集（23,298）和测试数据集（38,831）。在训练模型中，团队使用对数似然优化打分模型参数$\hat{\theta}=\mathop{\arg\max}_\theta\sum_{x,y} log P_\theta(y|x)$，估计表示AMT标签的神经网络第四层。模型参数优化使用一阶SGD方法。图3给出了对于五种不同的标签类（即对响应打分从最好到最差），使用几种不同策略时的性能对比。从图中结果可见，有监督AMT取得了比其它对比方法（随机、Alicebit、Evibot+Alicebot）更好的性能。

图3 使用不同的策略时，响应AMT标签类的频率情况。

• 有监督的奖励学习。使用学习得到的奖励函数去学习模型的参数。给定某一时刻的对话历史，以及相应的响应集，可以将某一时刻的奖励建模为一个线性回归模型，预测响应的打分。学习的目标是使得打分分值最大化。模型参数优化使用mini-batch SGD。为增加效率，在组合模型学习中使用了Bagging方法。在训练模型时为避免过拟合，模型在初始化时使用了有监督AMT打分模型的参数，并以最小化平方误差为目标做进一步优化。

• 离策略（Off-policy）强化学习。一种策略参数化方法就是假定行为具有的离散概率分布，这样可以直接使用系统和真实用户间的对话记录学习随机策略。MILABOT使用了一种重新加权的强化学习算法进行学习，模型的初始化参数同样使用了有监督AMT训练的模型参数。训练中使用的数据集是在一段时间内测试系统和真实用户间的5000条对话记录，策略参数使用SGD在训练集进行优化，并用开发集确定模型的超参数和Early-stop。

• 使用学习到的奖励函数，做离策略强化学习。该方法类似于有监督的奖励学习，在用于训练的奖励模型上使用离策略强化学习算法。首先，该方法使用经良好调优的行为价值函数，对某一时刻的对话给出更准确的打分预测。然后，将回归模型组合离策略强化学习中，使用mini-batch SGD训练模型参数。训练中使用的数据集同样使用离策略强化学习中的数据集。

• 使用Markov决策过程（MDP）的Q-learning。上述方法都是在方差和偏差间取得权衡。有监督AMT方法使用了大量的训练集，可以给出最小的方差，但是引入了大量的偏差。另一方面，离策略强化学习在训练中仅使用了数千条对话即学习到的打分情况，因此方差很大。但是由于它直接优化目标函数，因此给出的偏差很小。面对此问题，MILABOT团队提出了一种新的方法，称为“抽象话语”（Abstract Discourse）MDP。抽象话语MDP通过近似Markov决策过程（MDP）中学习策略，意在降低方差的同时给出合理的偏差。

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，$z_t$是表示对话抽象状态的离散变量，$h_t$表示对话历史，$a_t$表示系统所采取的动作（即选定的响应），$y_t$表示抽样AMT标签，$r_t$表示抽样奖励。其中，$z_t$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