【NLP实战】如何基于Tensorflow搭建一个聊天机器人

实战是学习一门技术最好的方式，也是深入了解一门技术唯一的方式。因此，NLP专栏计划推出一个实战专栏，让有兴趣的同学在看文章之余也可以自动动手试一试。

本篇介绍如何基于tensorflow快速搭建一个基于seq2seq框架的聊天机器人。

作者&编辑 | 小Dream哥

1 语料准备

用于聊天机器人训练的语料应该是一系列的问答对，即大量的如下的形式问答对：

Q：“今天天气怎么？”

A：“天气预报说今天会下大暴雨的”

此外，为了减少数据处理时的padding量，对训练语料进行了分桶的处理，如下图所示：

所谓分桶，就是按照Q和A的长度进行重新的组织，例如上例Q的长度为7，A的长度为13，则这条语料会分在“bucket_5_15.db”文件中。

2 模型搭建

这里介绍的是基于seq2seq框架的聊天机器人，关于seq2seq框架的相关的理论内容，可以看一下笔者这一篇文章：

【NLP-ChatBot】能闲聊的端到端生成型聊天机器人背后都有哪些技术？

下面我们看看如何基于tensorflow，搭建一个seq2seq+attention的聊天机器人。

(1) 构建seq2seq编解码器的特征抽取器

这里采用LSTM作为encoder和decoder的特征抽取器：

# LSTM cells cell = tf.contrib.rnn.BasicLSTMCell(size) cell = tf.contrib.rnn.DropoutWrapper(cell, output_keep_prob=dropout) cell = tf.contrib.rnn.MultiRNNCell([cell] * num_layers)

(2) 处理输入数据

采用tensorflow的placeholder模块，先定义输入数据的shape。这里定义了encoder_inputs，decoder_inputs，decoder_weights，targets三个列表。

# inputs self.encoder_inputs = [] self.decoder_inputs = [] self.decoder_weights = []

#encoder_inputs表示解码器的输入，这个列表对象中的每一个元素表示一个占位符，其名字分别为encoder0, encoder1,…,encoder39

#encoder{i}的几何意义是编码器在时刻i的输入。

# 这里取的是最长的那个分桶的长度

for i in range(buckets[-1][0]): self.encoder_inputs.append(tf.placeholder( tf.int32, shape=[None], name='encoder_input_{}'.format(i) ))

# 输出比输入大 1，这是为了保证下面的targets可以向左shift 1位

for i in range(buckets[-1][1] + 1): self.decoder_inputs.append(tf.placeholder( tf.int32, shape=[None], name='decoder_input_{}'.format(i) )) self.decoder_weights.append(tf.placeholder( dtype, shape=[None], name='decoder_weight_{}'.format(i) ))

#target_weights 是一个与 decoder_outputs 大小一样的 0-1 矩阵。该矩阵将目标序列长度以外的其他位置填充为标量值 0。 targets = [ self.decoder_inputs[i + 1] for i in range(buckets[-1][1]) ]

(3) 搭建引入attention机制的seq2seq模型

encoder先将cell进行deepcopy，因为seq2seq模型是两个相同的特征抽取模型，但是模型参数不共享，所以encoder和decoder要使用两个不同的LSTMCell。

然后，直接调用系统函数embedding_attention_seq2seq()搭建引入attention机制的seq2seq模型。这里介绍下该函数的各个输入。

encoder_inputs：编码器的输入；

decoder_inputs：解码器的输入；

num_encoder_symbols：source的vocab_size大小，用于embedding矩阵定义；

num_decoder_symbols：target的vocab_size大小，用于embedding矩阵定义；

embedding_size：embedding向量的维度；

num_heads：Attention头的个数，就是使用多少种attention的加权方式，用更多的参数来求出几种attention向量；

output_projection: 输出的映射层，因为decoder输出的维度是output_size，所以想要得到num_decoder_symbols对应的词还需要增加一个映射层；

feed_previous：是否将上一时刻输出作为下一时刻输入，一般测试的时候置为True，此时decoder_inputs除了第一个元素之外其他元素都不会使用；

initial_state_attention：默认为False, 初始的attention是零；若为True，将从initial state和attention states开始。

def seq2seq_f(encoder_inputs, decoder_inputs, do_decode):

tmp_cell = copy.deepcopy(cell)

return tf.contrib.legacy_seq2seq.embedding_attention_seq2seq( encoder_inputs, decoder_inputs, tmp_cell,#自定义的cell,可以是GRU/LSTM, 设置multilayer等 num_encoder_symbols=source_vocab_size, num_decoder_symbols=target_vocab_size, embedding_size=size,# embedding 维度 output_projection=output_projection, feed_previous=do_decode, dtype=dtype )

(4)构建损失计算层

因为采用的是sampled_loss，在解码器和loss层要加一个projection层来做适配。

# 如果vocabulary太大，我们还是按照vocabulary来sample的话，内存会爆 if num_samples > 0 and num_samples < self.target_vocab_size: w_t = tf.get_variable( "proj_w", [self.target_vocab_size, size], dtype=dtype ) w = tf.transpose(w_t) b = tf.get_variable( "proj_b", [self.target_vocab_size], dtype=dtype ) output_projection = (w, b)

构建sampled_loss层，也是直接调用sampled_softmax_loss函数，关于sampled_loss相关的理论问题，我们再找个机会单独讨论吧。

def sampled_loss(labels, logits):

labels = tf.reshape(labels, [-1, 1]) local_w_t = tf.cast(w_t, tf.float32) local_b = tf.cast(b, tf.float32) local_inputs = tf.cast(logits, tf.float32) return tf.cast( tf.nn.sampled_softmax_loss( weights=local_w_t, biases=local_b, labels=labels, inputs=local_inputs, num_sampled=num_samples, num_classes=self.target_vocab_size ), dtype )

(5) 计算损失和logits

这里调用了系统函数model_with_buckets，这样对每个bucket都构造一个模型，然后训练时取相应长度的序列，不同长度的模型参数共享。

self.outputs, self.losses = tf.contrib.legacy_seq2seq.model_with_buckets( self.encoder_inputs, self.decoder_inputs, targets, self.decoder_weights, buckets, lambda x, y: seq2seq_f(x, y, False), softmax_loss_function=softmax_loss_function )

(6) 构建优化器和保存训练模型

params = tf.trainable_variables() opt = tf.train.AdamOptimizer( learning_rate=learning_rate ) if not forward_only:# 只有训练阶段才需要计算梯度和参数更新 self.gradient_norms = [] self.updates = [] for output, loss in zip(self.outputs, self.losses):

# 用梯度下降法优化 gradients = tf.gradients(loss, params) clipped_gradients, norm = tf.clip_by_global_norm( gradients, max_gradient_norm ) self.gradient_norms.append(norm) self.updates.append(opt.apply_gradients( zip(clipped_gradients, params) )) # 模型参数保存 self.saver = tf.train.Saver( tf.all_variables(), write_version=tf.train.SaverDef.V2 )

(7) 开始训练

params = tf.trainable_variables() opt = tf.train.AdamOptimizer( learning_rate=learning_rate ) if not forward_only:# 只有训练阶段才需要计算梯度和参数更新 self.gradient_norms = [] self.updates = [] for output, loss in zip(self.outputs, self.losses):

# 用梯度下降法优化 gradients = tf.gradients(loss, params) clipped_gradients, norm = tf.clip_by_global_norm( gradients, max_gradient_norm ) self.gradient_norms.append(norm) self.updates.append(opt.apply_gradients( zip(clipped_gradients, params) )) # 模型参数保存 self.saver = tf.train.Saver( tf.all_variables(), write_version=tf.train.SaverDef.V2 )

模型搭建好之后，就可以给模型为数据，开始训练了。

def step( self, session, encoder_inputs, decoder_inputs, decoder_weights, bucket_id, forward_only ): encoder_size, decoder_size = self.buckets[bucket_id] if len(encoder_inputs) != encoder_size: raise ValueError( "Encoder length must be equal to the one in bucket," " %d != %d." % (len(encoder_inputs), encoder_size) ) if len(decoder_inputs) != decoder_size: raise ValueError( "Decoder length must be equal to the one in bucket," " %d != %d." % (len(decoder_inputs), decoder_size) ) if len(decoder_weights) != decoder_size: raise ValueError( "Weights length must be equal to the one in bucket," " %d != %d." % (len(decoder_weights), decoder_size) ) input_feed = {}

#1.将语料放到之前定义好的列表中，待模型读取 for i in range(encoder_size): input_feed[self.encoder_inputs[i].name] = encoder_inputs[i] for i in range(decoder_size): input_feed[self.decoder_inputs[i].name] = decoder_inputs[i] input_feed[self.decoder_weights[i].name] = decoder_weights[i] last_target = self.decoder_inputs[decoder_size].name input_feed[last_target] = np.zeros([self.batch_size], dtype=np.int32) if not forward_only: output_feed = [ self.updates[bucket_id], self.gradient_norms[bucket_id], self.losses[bucket_id] ] output_feed.append(self.outputs[bucket_id][i]) else: output_feed = [self.losses[bucket_id]] for i in range(decoder_size): output_feed.append(self.outputs[bucket_id][i]) #2.开始训练 outputs = session.run(output_feed, input_feed) if not forward_only: return outputs[1], outputs[2], outputs[3:] else: return None, outputs[0], outputs[1:]

3 如何进行训练和测试

(1) 进行训练

在s2s.py中，做如下的设置，并设置好学习率，batch_size等其他超参数，执行s2s.py进行训练。

tf.app.flags.DEFINE_boolean( 'test', False, '是否在测试' )

开始训练后，会打印出来当前的loss值，如下图所示：

模型文件会生成在model文件夹中。

(2) 进行测试

在s2s.py中，做如下的设置：

tf.app.flags.DEFINE_boolean( 'test', True, '是否在测试' )

然后，可以输入问句，看机器人怎么回答了。因为我训练的不充分，所以机器人的回答会出现重复的。另一方面，这种生成式的机器人，可控性不强，目前基本处于研究阶段。

4 如何获取代码与交流

至此，介绍了如何利用tensorflow平台自己搭建一个基于seq2seq框架的聊天机器，代码在我们有三AI的github可以下载：https://github.com/longpeng2008/yousan.ai/tree/master/natural_language_processing

找到seq2seqChatbot文件夹，执行python3 s2s.py就可以进行训练或者测试了。

代码来源于github，也可参考这个github:

https://github.com/qhduan/Seq2Seq_Chatbot_QA

总结

生成式的聊天机器人技术框架非常简洁，在构建过程是端到端（End-to-End）的，实现简单。因此，我见过很多简历上写的聊天机器人项目是基于此框架的，大多雷同，建议读者在简历上写这个项目时要慎重，非要写的话，务必要突出差异。