MILABOT：基于深度强化学习打造聊天机器人

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\(t=1,...,T\)，在t时刻的对话为\(h_t\)，智能体需要从一组K个响应\(a_t^1,...,a_t^K\)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\(a_{t+1}^1,...,a_{t+1}^K\)，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\(R = \sum_{t=1}^{T}\gamma ^tr^t\)。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，\(Q_\theta (h_t,a_t^k)\in \mathbb{R},k = 1,...,K\)。学习的期望返回值实现参数最大化\(\pi _\theta (h_t) = \underset{k}{arg max}Q_\theta (h_t,a_t^k)\)。
• 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

。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\(\pi _\theta ^{greedy}(h_t) = \underset{k}{arg max}\pi _\theta (a_t^k|h_t)\)，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\(\hat{\theta } = \underset{\theta}{arg max}\sum_{x,y}^{ }logP_\theta (y|x)\)，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。

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，\(z_k\)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。