从零开始造一个“智障”聊天机器人

腾讯DeepOcean原创文章：dopro.io/nlp_seq2seq…

智能机器人在生活中随处可见：iPhone里会说话的siri、会下棋的阿法狗、调皮可爱的微软小冰……她们都具有一定的智能，能够和人类进行交互。这些智能机器人非常神奇，看上去离我们也十分遥远，但其实只要我们动动手，便可以造一个属于自己的智能机器人。

本文将教你从零开始造出一个智障，不对是“智能聊天机器人"。

要造一个聊天机器人，首先你需要了解一些相关概念——自然语言处理（NLP），它是一门融语言学、计算机科学、数学于一体的科学，研究让电脑“懂”人类语言的方法。当然，它也包含很多分支：文本朗读、语音识别、句法分析、自然语言生成、人机对话、信息检索、信息抽取、文字校对、文本分类、自动文摘、机器翻译、文字蕴含等等等。

看到这里的朋友，千万别被这些吓跑。既然本文叫《从零开始造一个“智障”聊天机器人》那么各位看官老爷不懂这些也没有关系！跟着我的脚步一步一步做吧。

0x1 基本概念

这里涉及到的原理基础，没兴趣的看官老爷略过即可，不影响后续代码实现。

01｜神经网络

人工智能的底层是”神经网络“，许多复杂的应用（比如模式识别、自动控制）和高级模型（比如深度学习）都基于它。学习人工智能，一定是从它开始。

那么问题来了，什么是神经网络呢？简单来说，神经网络就是模拟人脑神经元网络，从而让计算机懂得”思考“。具体概念在这里不再赘述，网络上有很多简单易懂的解释。

本文使用的的是循环神经网络(RNN)，我们来看一个最简单的基本循环神经网络：

虽然图像看起来很抽象，但是实际很好理解。x、o、s是一个向量，x代表输入层的值，o代表输出层的值，s是隐藏层的值(这里其实有很多节点);U、V是权重矩阵，U代表输入层到隐藏层的权重矩阵，而V则代表隐藏层到输出层的权重矩阵。那么W是什么呢？其实循环神经网络的隐藏层的值s不仅仅由x、U决定，还会由上一次隐藏层的值s，而W就是上一次到隐藏层到这一次的权重矩阵，将其展开就是这样：

这样逻辑就清晰很多了，这便是一个简单的循环神经网络。而我们的智障，不对是“智能聊天机器人"便是使用循环神经网络，基于自然语言的词法分析、句法分析不断的训练语料，并把语义分析都融入进来做的补充和改进。

02｜深度学习框架

适合RNN的深度学习框架有很多，本文的聊天机器人基于Google开源的Tensorflow，从GayhubGithub的starts数便可以看出，Tensorflow是一个极其火爆的深度学习框架，并且可以轻松地在cpu / gpu 上进行分布式计算，下面罗列了一些目前主流深度学习框架的特性，大家可以凭兴趣选择框架进行研究：

03｜seq2seq模型

顾名思义，seq2seq 模型就像一个翻译模型，输入是一个序列（比如一个英文句子），输出也是一个序列（比如该英文句子所对应的法文翻译）。这种结构最重要的地方在于输入序列和输出序列的长度是可变的。

举个例子：

在对话机器中：输入（hello） -> 输出（你好）。

输入是1个英文单词，输出为2个汉字。我们提（输入）一个问题，机器会自动生成（输出）回答。这里的输入和输出显然是长度没有确定的序列（sequences）

我们再举一个长一点的例子：

我教小黄鸡说“大白天的做什么美梦啊？”回答是“哦哈哈哈不用你管”。

Step1：应用双向最大匹配算法分词：双向分词结果，正向《大白天，的，做什么，美梦，啊》；反向《大白天，的，做什么，美梦，啊》。正向反向都是一样的，所以不需要处理歧义问题。长词优先选择，“大白天”和“做什么”。

Step2：以“大白天”举例，假设hash函数为f（），并设f（大白天）指向首字hash表项[大，11，P]。于是由该表项指向“3字索引”，再指向对应“词表”。

Step3：将结构体<大白天，…>插入队尾。体中有一个Ans域，域中某一指针指向“哦哈哈哈不用你管”。

这便是seq2seq的基本原理，原理和技术我们都有了，下一步就是将它实现出来！

0x2 语料准备

了解完一些前置基础，我们话不多说，直接进入造智能聊天机器人的阶段。首先我们需要准备相关训练的语料。

01｜语料整理

本次训练的语料库是从Github上下载的（Github用于对话系统的中英文语料：https://github.com/candlewill/Dialog_Corpus）。我们下载其中的xiaohuangji50w_fenciA.conv(小黄鸡语料)进行我们的训练。

当我们下载完后打开发现，它这个语料库是这样的：

虽然这里面的文字、对话我们都能看懂，但是这些E、M、/都是些什么鬼？其实从图来看很容易理解，M即代表这句话，而E则代表一段对话的开始与结束。

我们拿到这些语料后，用代码将其按照问/答分为两类"Question.txt"、"Answer.txt":

1import re
2import sys
3def prepare(num_dialogs=50000):
4    with open("xhj.conv") as fopen:
5        # 替换E、M等
6        reg = re.compile("EnM (.*?)nM (.*?)n")
7        match_dialogs = re.findall(reg, fopen.read())
8        # 使用5W条对话作为训练语料
9        if num_dialogs >= len(match_dialogs):
10            dialogs = match_dialogs
11        else:
12            dialogs = match_dialogs[:num_dialogs]
13        questions = []
14        answers = []
15        for que, ans in dialogs:
16            questions.append(que)
17            answers.append(ans)
18        # 保存到data/文件夹目录下
19        save(questions, "data/Question.txt")
20        save(answers, "data/Answer.txt")
21def save(dialogs, file):
22    with open(file, "w") as fopen:
23        fopen.write("n".join(dialogs))

最终我们得到5W条问题与回答数据：

02｜向量表映射建立

到这里，大家可能会问，那么这个"智能"聊天机器人是不是就是将我们输入的问题匹配Question.txt里面的问题，然后再从Answer.txt找到相应回答进行输出？

当然不会是这么简单，本质上聊天机器人是基于问句的上下文环境产生一个新的回答，而非是从数据库中拿出一条对应好的回答数据。

那么机器怎么知道该回答什么呢？此处借用一下谷歌的seq2seq原理图：

简单来说就是：我们输入的每一句话，都会被机器拆成词并向量化；这些词作为输入层的向量，与权重矩阵进行计算后到隐藏层，隐藏层输出的向量再与权重矩阵进行计算，得到最终向量。我们再将此向量映射到词向量库时，便可得到我们想要的结果。

在代码上实现比较简单，因为复杂底层逻辑的都由Tensorflow帮我们完成了，我们将词汇表进行最终的梳理：

 1def gen_vocabulary_file(input_file, output_file):  2    vocabulary = {} 3    with open(input_file) as f: 4        counter = 0 5        for line in f: 6            counter += 1 7            tokens = [word for word in line.strip()] 8            for word in tokens: 9                                # 过滤非中文 文字10                if u'u4e00' <= word <= u'u9fff':11                    if word in vocabulary:12                        vocabulary[word] += 113                    else:14                        vocabulary[word] = 115        vocabulary_list = START_VOCABULART + sorted(vocabulary, key=vocabulary.get, reverse=True)16        # 取前3500个常用汉字，vocabulary_size = 350017        if len(vocabulary_list) > vocabulary_size:18            vocabulary_list = vocabulary_list[:vocabulary_size]19        print(input_file + " 词汇表大小:", len(vocabulary_list))20        with open(output_file, "w") as ff:21            for word in vocabulary_list:22                ff.write(word + "n")23        ff.close复制代码

0x3 开始训练

01｜训练

在我们的语料准备好之后，便可以开始我训练，其实训练本身是很简单的，其核心是调用Tensorflow的Seq2SeqModel，不断的进行循环训练。下面是训练的核心代码与参数设置：

 1# 源输入词表的大小 2vocabulary_encode_size = 3500 3# 目标输出词表的大小 4vocabulary_decode_size = 3500 5#一种有效处理不同长度的句子的方法  6buckets = [(5, 10), (10, 15), (20, 25), (40, 50)] 7# 每层单元数目 8layer_size = 256 9# 网络的层数。  10num_layers = 311# 训练时的批处理大小12batch_size =  6413# max_gradient_norm：表示梯度将被最大限度地削减到这个规范14# learning_rate： 初始的学习率15# learning_rate_decay_factor： 学习率衰减因子16# forward_only： false意味着在解码器端，使用decoder_inputs作为输入。例如decoder_inputs 是‘GO, W, X, Y, Z ’，正确的输出应该是’W, X, Y, Z, EOS’。假设第一个时刻的输出不是’W’，在第二个时刻也要使用’W’作为输入。当设为true时，只使用decoder_inputs的第一个时刻的输入，即’GO’，以及解码器的在每一时刻的真实输出作为下一时刻的输入。17model = seq2seq_model.Seq2SeqModel(source_vocab_size=vocabulary_encode_size, target_vocab_size=vocabulary_decode_size,buckets=buckets, size=layer_size, num_layers=num_layers, max_gradient_norm= 5.0,batch_size=batch_size, learning_rate=0.5, learning_rate_decay_factor=0.97, forward_only=False)1819config = tf.ConfigProto()20config.gpu_options.allocator_type = 'BFC'  # 防止 out of memory2122with tf.Session(config=config) as sess:23    # 恢复前一次训练24    ckpt = tf.train.get_checkpoint_state('.')25    if ckpt != None:26        print(ckpt.model_checkpoint_path)27        model.saver.restore(sess, ckpt.model_checkpoint_path)28    else:29        sess.run(tf.global_variables_initializer())3031    train_set = read_data(train_encode_vec, train_decode_vec)32    test_set = read_data(test_encode_vec, test_decode_vec)3334    train_bucket_sizes = [len(train_set[b]) for b in range(len(buckets))]35    train_total_size = float(sum(train_bucket_sizes))36    train_buckets_scale = [sum(train_bucket_sizes[:i + 1]) / train_total_size for i in range(len(train_bucket_sizes))]3738    loss = 0.039    total_step = 040    previous_losses = []41    # 一直训练，每过一段时间保存一次模型42    while True:43        random_number_01 = np.random.random_sample()44        bucket_id = min([i for i in range(len(train_buckets_scale)) if train_buckets_scale[i] > random_number_01])4546        encoder_inputs, decoder_inputs, target_weights = model.get_batch(train_set, bucket_id)47        _, step_loss, _ = model.step(sess, encoder_inputs, decoder_inputs, target_weights, bucket_id, False)4849        loss += step_loss / 50050        total_step += 15152        print(total_step)53        if total_step % 500 == 0:54            print(model.global_step.eval(), model.learning_rate.eval(), loss)5556            # 如果模型没有得到提升，减小learning rate57            if len(previous_losses) > 2 and loss > max(previous_losses[-3:]):58                sess.run(model.learning_rate_decay_op)59            previous_losses.append(loss)60            # 保存模型61            checkpoint_path = "chatbot_seq2seq.ckpt"62            model.saver.save(sess, checkpoint_path, global_step=model.global_step)63            loss = 0.064            # 使用测试数据评估模型65            for bucket_id in range(len(buckets)):66                if len(test_set[bucket_id]) == 0:67                    continue68                encoder_inputs, decoder_inputs, target_weights = model.get_batch(test_set, bucket_id)69                _, eval_loss, _ = model.step(sess, encoder_inputs, decoder_inputs, target_weights, bucket_id, True)70                eval_ppx = math.exp(eval_loss) if eval_loss < 300 else float('inf')71                print(bucket_id, eval_ppx)复制代码

02｜实际问答效果

如果我们的模型一直在训练，那么机器怎么知道在什么时候停止训练呢？这个停止训练的阀值又靠什么去衡量？在这里我们引入一个语言模型评价指标——Perplexity。

① Perplexity是什么：

PPL是用在自然语言处理领域（NLP）中，衡量语言模型好坏的指标。它主要是根据每个词来估计一句话出现的概率，并用句子长度作normalize，公式为 :

S代表sentence，N是句子长度，p(wi)是第i个词的概率。第一个词就是 p(w1|w0)，而w0是START，表示句子的起始，是个占位符。
这个式子可以这样理解，PPL越小，p(wi)则越大，一句我们期望的sentence出现的概率就越高。

还有人说，Perplexity可以认为是average branch factor（平均分支系数），即预测下一个词时可以有多少种选择。别人在作报告时说模型的PPL下降到90，可以直观地理解为，在模型生成一句话时下一个词有90个合理选择，可选词数越少，我们大致认为模型越准确。这样也能解释，为什么PPL越小，模型越好。

对于我们的训练，其最近几次的Perplexity如下：

截止发文时，此模型已经训练了27h，其Perplexity仍然比较难收敛，所以模型的训练真的需要一些耐心。如果有条件使用GPU进行训练，那么此速度将会大大提高。

我们使用现阶段的模型进行一些对话，发现已经初具雏形：

至此，我们的“智能聊天机器人”已经大功告成！但不难看出，这个机器人还是在不断的犯傻，很多问题牛头不对马嘴，所以我们又称其为“智障机器人”。

0x4 结语

至此我们就从无到有训练了一个问答机器人，虽然它还有点”智障“不太理解更多的词汇，但是整体流程已经跑通，并且具有一定的效果。后面的工作就是不断的完善其中的算法、参数与语料了。其中语料是特别关键的部分，大概会占用到50%-70%的工作量，因为本文使用的是互联网上已经处理好的语料，省去了不少时间。事实上大部分开发人员的时间都在进行语料预处理：数据清洗、分词、词性标注、去停用词等方面。

后续有机会再和大家分享语料预处理这一块。这里有一个可爱的二维码，大家记得关注哟~