基于图注意力的常识对话生成

OpenKG 祝各位读者新春快乐，猪年吉祥！

来源： IJCAI 2018.

论文下载地址： https://www.ijcai.org/proceedings/2018/0643.pdf

项目源码地址： https://github.com/tuxchow/ccm

动机

在以前的工作中，对话生成的信息源是文本与对话记录。但是这样一来，如果遇到 OOV 的词，模型往往难以生成合适的、有信息量的回复，而会产生一些低质量的、模棱两可的回复，这种回复往往质量不高。

为了解决这个问题，有一些利用常识知识图谱生成对话的模型被陆续提出。当使用常识性知识图谱时，由于具备背景知识，模型更加可能理解用户的输入，这样就能生成更加合适的回复。但是，这些结合了文本、对话记录、常识知识图谱的方法，往往只使用了单一三元组，而忽略了一个子图的整体语义，会导致得到的信息不够丰富。

为了解决这些问题，文章提出了一种基于常识知识图谱的对话模型（ commonsense knowledge aware conversational model ， CCM ）来理解对话，并且产生信息丰富且合适的回复。本文提出的方法，利用了大规模的常识性知识图谱。首先是理解用户请求，找到可能相关的知识图谱子图；再利用静态图注意力（ static graphattention ）机制，结合子图来理解用户请求；最后使用动态图注意力（ dynamic graph attention ）机制来读取子图，并产生合适的回复。

通过这样的方法，本文提出的模型可以生成合适的、有丰富信息的对话，提高对话系统的质量。

贡献

文章的贡献有：

（ 1 ）首次尝试使用大规模常识性知识图谱来处理对话生成问题；

（ 2 ）对知识图谱子图，提出了静态 / 动态图注意力机制来吸收常识知识，利于理解用户请求与生成对话；

（ 3 ）对比于其他系统，目前的模型生成的回复是最合适的、语法最正确的、信息最丰富的。

方法

⒈ Encoder-Decoder 模型

经典的 Encoder-Decoder 模型是基于 sequence-to-sequence （ seq2seq ）的。 encoder 模型将用户输入（ user post ） X=x_1 x_2…x_n 用隐状态 H=h_1 h_2…h_n 来表示。而 decoder 模型使用另一个 GRU 来循环生成每一个阶段的隐状态，即 。在解码过程中利用了注意力机制。

当 decoder 模型根据概率分布生成了输出状态后，可以由这个状态经过 softmax 操作得到最终的输出： 。可以看到，在这个经典的 encoder-decoder 模型中，并没有图的参与。

⒉模型框架

如下图 1 所示为本文提出的 CCM 模型框架。

图 1 CCM 模型框架

如图 1 所示，基于 n 个词输入，会输出 n 个词作为回复，模型的目的就是预估这么一个概率分布： ，即将图信息 G 加入到概率分布的计算中。在信息读取时，根据每个输入的词 x ，找到常识知识图谱中对应的子图（若没有对应的子图，则会生成一个特殊的图 Not_A_Fact ），每个子图又包含若干三元组。

⒊知识编译模块

如图 2 所示，为如何利用图信息编译 post 的示意图。

图 2 知识编译模块

如图所示，当编译到“ rays ”时，会把这个词在知识图谱中相关的子图得到（图 2 最上的黄色高两部分），并生成子图的向量。每一个子图都包含了 key entity （即这里的 rays ），以及这个“ rays ”的邻居实体和相连关系。对于词“ of ”，由于无法找到对应的子图，所以就采用特殊子图 Not_A_Fact 来编译。之后，采用基于静态注意力机制， CCM 会将子图映射为向量 ，然后把词向量 w(x_t) 和 g_i 拼接为 ，并将这个 替换传统 encoder-decoder 中的 e(x_t) 进行 GRU 计算。

对于静态图注意力机制， CCM 是将子图中所有的三元组都考虑进来，而不是只计算一个三元组，这也是该模型的一个 创新点 。

⒋知识生成模块

如下图 3 所示，为如何利用图信息生成回复的示意图。

图 3 知识生成模块

在生成时，不同于静态图注意力机制，模型会读取所有相关的子图，而不是当前词对应的子图，而在读取时，读取注意力最大的就是图中粉色高亮的部分。生成时，会根据计算结果，来选择是生成通用字（ generic word ）还是子图中的实体。

⒌损失函数

损失函数为预期输出与实际输出的交叉熵，除此之外，为了监控选择通用词还是实体的概率，又增加了一个交叉熵。

实验

⑴ 实验相关细节

常识性知识图谱选用了 ConceptNet ，对话数据集选用了 reddit 的一千万条数据集，如果一个 post-response 不能以一个三元组表示（一个实体出现于 post ，另一个出现于 response ），就将这个数据去除。然后对剩下的对话数据，分为四类，一类是高频词，即每一个 post 的每一个词，都是最高频的 25% 的词；一类是中频词，即 25%-75% 的词；一类是低频词，即 75%-100% 的词；最后一类是 OOV 词，每一个 post 包含了 OOV 的词。

而基线系统选择了如下三个：只从对话数据中生成 response 的 seq2seq 模型、存储了以 TransE 形式表示知识图谱的 MemNet 模型、从三元组中 copy 一个词或生成通用词的 CopyNet 模型。

而选用 metric 的时候，采用了刻画回复内容是否语法正确且贴近主题的 perplexity ，以及有多少个知识图谱实体被生成的 entity score 。

⑵ 实验结果

如下图 4 所示，为根据 perplexity 和 entity score 进行的性能比较，可见 CCM 的 perplexity 最低，且选取 entity 的数量最多。并且，在低频词时，选用的 entity 更多。这表示在训练时比较罕见的词（实体）会需要更多的背景知识来生成答复。

图 4 CCM 与基线系统对比结果

另外，作者还采用众包的方式，来人为审核 response 的质量，并采用了两种度量值 appropriateness （内容是否语法正确，是否与主题相关，是否有逻辑）与 informativeness （内容是否提供了 post 之外的新信息）。如下图 5 所示，为基于众包的性能比较结果。

图 5 CCM 与基线系统基于众包的对比结果

从图 5 中可见， CCM 对于三个基线系统来说，都有将近 60% 的回复是更优的。并且，在 OOV 的数据集上， CCM 比 seq2seq 高出很多，这是由于 CCM 对于这些低频词或未登录词，可以用知识图谱去补全，而 seq2seq 没有这样的知识来源。

如下图 6 所示，当在 post 中遇到未登录词“ breakable ”时， seq2seq 和 MemNet 都只能输出一些通用的、模棱两可的、毫无信息量的回复。 CopyNet 能够利用知识图谱输出一些东西，但是并不合适。而 CCM 却可以输出一个合理的回复。

图 6 case study

总结

本文提出了一种结合知识图谱信息的 encoder-decoder 方法，引入静态 / 动态图注意力机制有效地改善了对话系统中 response 的质量。通过自动的和基于众包的形式进行性能对比， CCM 模型都是优于基线系统的。

论文笔记整理：花云程，东南大学博士，研究方向为知识图谱问答、自然语言处理。

OpenKG.CN

中文开放知识图谱（简称OpenKG.CN）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。

点击 阅读原文 ，进入 OpenKG 博客。