内容简介: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。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。
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Gayhub Github 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”。
S tep2: 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":
1 import re
2 import sys
3 def 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" )
21 def save (dialogs, file) :
22 with open(file, "w" ) as fopen:
23fopen.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] += 1 13 else: 14 vocabulary[word] = 1 15 vocabulary_list = START_VOCABULART + sorted(vocabulary, key=vocabulary.get, reverse=True) 16 # 取前3500个常用汉字,vocabulary_size = 3500 17 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 = 3 11# 训练时的批处理大小 12batch_size = 64 13# 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) 18 19config = tf.ConfigProto() 20config.gpu_options.allocator_type = 'BFC' # 防止 out of memory 21 22with 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()) 30 31 train_set = read_data(train_encode_vec, train_decode_vec) 32 test_set = read_data(test_encode_vec, test_decode_vec) 33 34 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))] 37 38 loss = 0.0 39 total_step = 0 40 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]) 45 46 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) 48 49 loss += step_loss / 500 50 total_step += 1 51 52 print(total_step) 53 if total_step % 500 == 0: 54 print(model.global_step.eval(), model.learning_rate.eval(), loss) 55 56 # 如果模型没有得到提升,减小learning rate 57 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 = 0.0 64 # 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 continue 68 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~
相关文献与参考资料:
从机器学习谈起 (http://www.cnblogs.com/subconscious/p/4107357.html)
使用 python 实现神经网络 (http://www.wildml.com/2015/09/implementing-a-neural-network-from-scratch/)
循环神经网络 (https://zybuluo.com/hanbingtao/note/541458)
语言模型评价指标 (https://blog.csdn.net/index20001/article/details/78884646)
Tensorflow(https://github.com/google/seq2seq)
始发于微信公众号: 腾讯DeepOcean
以上所述就是小编给大家介绍的《从零开始造一个“智障”聊天机器人》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
计算机网络(第6版)
[美] James F.Kurose、[美] Keith W.Ross / 陈鸣 / 机械工业出版社 / 2014-10 / 79.00元
《计算机网络:自顶向下方法(原书第6版)》第1版于12年前出版,首创采用自顶向下的方法讲解计算机网络的原理和协议,出版以来已被几百所大学和学院选用,是业界最经典的计算机网络教材之一。 《计算机网络:自顶向下方法(原书第6版)》第6版继续保持了以前版本的特色,为计算机网络教学提供了一种新颖和与时俱进的方法,同时也进行了相当多的修订和更新:第1章更多地关注时下,更新了接入网的论述;第2章用pyt......一起来看看 《计算机网络(第6版)》 这本书的介绍吧!