【自学习】- 怎么让对话机器人越来越强？

原创

百川AI

修改于 2022-09-06 20:11:38

1.3K0

修改于 2022-09-06 20:11:38

文章被收录于专栏：我还不懂对话

对话机器人如果能够检测到服务失败的case，再强一点，最好还能够自动纠正，就和人一样，在学习中成长，在成长中学习，越来越强。理想和美好，那么怎么做呢？怎么学习呢？

对话机器人在与人交互过程中，人的反应，例如赞扬、骂人、嘲笑等，这些反应满意度的指标，天然的就是标签数据，为我们对话助手的服务打上了满意度标签，如果能够挖掘出这种标签，那么会话助手就会再和人交互中发现badcase，然后利用badcase优化模型，从而优化对话助手让它越来越强，是不是有可能呢？

对话中如何检测到服务失败的case，最好还能够自动纠正，这里面主要会包含以下的一些内容：

query聚类

2008, kdd, Context-Aware Query Suggestion by Mining Click-Through and Session Data

query聚类：将query通过点击二部图计算距离，然后进行聚类，解决稀疏性问题。基于假设：如果两个query很相似，那么他们的点击URL分布也会很相似，所以通过query的点击url的分布来表示query。

其中边的权重$w_{ij}$为$query_i$到$\text{url}_i$的点击次数。如果一个query经常呗搜索，一个不经常被搜索，即使他们分布相似，但他们之间的点击次数会相差很大，为了消除这一影响，对于w会做一个平滑：

\operatorname{norm}\left(w_{i j}\right)=\frac{w_{i j}}{\sqrt{\sum_{\forall e_{i k}} w_{i k}^{2}}}

聚类距离计算：

\operatorname{distance}\left(q_{i}, q_{j}\right)=\sqrt{\sum_{u_{k} \in U}\left(\overrightarrow{q_{i}}[k]-\overrightarrow{q_{j}}[k]\right)^{2}} \tag{2}

同时，聚类需要query两两计算距离，真实情况下query会十分多，这样计算效率低下，十分耗时。另外，聚类的个数也是未知的。而且不同的url作为query的表示向量，会十分巨大且稀疏。最后日志也是增量变化，类簇也需要逐步更新。聚类算法：

同时，由于URL非常多，会造成表达矩阵维度过大，并且十分稀疏（query的平均度只有8.2，url只有1.8）。因此在寻找和q最相近的C的时候，找寻的类簇C必须要和q有过共享的url，即有过一条边（这里感觉还可以优化）

因此提出了dimension array data structure。

同时边的连接仍然会很多，作者认为其中一些权重较小的边可能会是潜在的噪声（用户随机点击），可以对其进行修剪来减少计算量。设定$w{ij}$为$q_i$对于$utl_j$的权重（点击了多少次），那么$w_i = \sum_j w{ij}$，会设置一个绝对权重和相对权重的阈值来做过滤，文中设定的绝对阈值5相对阈值0.1。

query推荐：通过用户的历史查询构建session，并将query用其类簇c表示，构建后缀树来做推荐。

在对话领域，对于未知类别功能的query，可以使用此方法来对query做粗粒度聚类，然后类簇的内部在做一个细粒度的拆分，例如训练一个相似度模型来做区分。

query 改写

2017, CIKM, Learning to Attend, Copy, and Generate for Session-Based Qery Suggestion

假设：用户说的话未被理解正确，通常会换个说法再说一遍。那么如何来挖掘出这种改写呢？

将用户历史query构建为session，通过seq2seq模型来对语义建模，生成推荐的query。

训练目标：1. 生成的损失：每个token预测和标签的交叉熵。2. copy的损失，和生成的损失类似

有用户错误、asr错误，通过这种seq2seq的模型，学习session中的语言模型，能够对其中一些错误进行纠正，获得正确的query改写。

2020, AAAI, Feedback-Based Self-Learning in Large-Scale Conversational AI Agents

假设：用户执行query失败之后，部分人还会继续尝试：1）更清晰准确地说话。2）换一种说法（复述）。3）换意图or放弃。

通过sf表征query，通过会话中的sf构建会话图，建立转移概率句子，利用消融马尔科夫，并统计每个sf的成功率，来对query进行改写。

定义状态：

final state. 不可能转移到其他系统状态，可以从其他任何状态转移过来。
absorbing states。=成功 or 失败。系统通过系列用户行为判断，例如用户说”stop“或者没有理解，会变成失败状态。如果用户说听歌，播放歌曲之后持续停了一段时间，就是成功状态。

每个h之间的转移概率来源于用户日志，每个h的成功率来自于统计的平均成功率。这里判断一个query成功是否成功也需要一套指标体系，本文没有详细说明。

Coling, 2020, Leveraging User Paraphrasing Behavior In Dialog Systems To Automatically Collect Annotations For Long-Tail Utterances

用户用各种各样的替代query来表达相同的请求，这些query可以是一些长尾低频的表达。同时当用户的话没有被系统理解的时候，用户也会提供隐式的反馈，比如换一句话。文章提出了MARUPA方法，利用用户反馈标注，自动进行用户摩擦检测。

整体是pipeline结构，包含三个模块:

PD: 复述检测，检测用户上下文是否有复述，因为复述一般都存在服务失败。输入就是用户上下文的句子，预测是否是复述。
FD：用户摩擦检测：检测当前用户的话是否被正确的执行。有点类似用户满意度和用户反馈检测，输入是用户的话u，意图识别和槽位识别结果，判断用户是否满意（二分类问题）

感觉这个FD如果要准确的话，和做好意图检测和槽位识别一样困难，有点悖论。

LP：标签映射，通过相似度将实体u最相关的实体u'召回回来，然后通过所有token的平均相似度对齐n个源token和u'的目标token，如下图：

2021, EMNLP, A Scalable Framework for Learning From Implicit User Feedback to Improve Natural Language Understanding in Large-Scale Conversational AI Systems

怎么从用户交互和对话历史的丰富信息中挖掘出用户是否满意，标注出意图。本文提出一个领域无关的框架，通过从日志数据中产生新的标注数据提升NLU的效果。

框架：

对于输入query的日志：

DIM模块检测是否存在缺陷，或者不满足用户。
对于高置信度存在缺陷的query，通过DCM模型给其标注一个更优的SF。
通过这些更正SF的query+原有训练数据再来重新训练NLU模型，提升效果。

Model

DIM和DCM模型都是下图，输出包含三部分。1）query。2）SF，包含domain、intent、slot、得分等、3）一些手工提取的特征，

对于DIM模型，预估的是是否存在缺陷。
对于DMC会额外输入一个候选domain/intent的特征，预估的是是否当前候选domain/intent是一个正确的label

自动服务满意度打标

2020, kdd, IQ-Net: A DNN Model for Estimating Interaction-level Dialogue Quality with Conversational Agents

之前手工提取的一些特征来评估会话质量，但是面对多域难以迁移。通过历史会话来评估当前的会话服务满意度，主要解决的问题：

模型结构，其中融入了tts来评估服务满意度：

模型函数，预测$U_t$的是否存在缺陷：

p\left(\text { Defect }=\operatorname{true} \mid<U_{t}, R_{t}, U_{t+1}>, f_{M}\right)

其中$f_m$表示meta-data features，这些特征包括：

实验结果，其中baseline使用了GBDT模型：

Large-scale Hybrid Approach for Predicting User Satisfaction with Conversational Agents

评估会话的用户满意度十分重要，目前通过人工标注方法搜集输出，然后评估或者训练模型，这类方法依赖人工标注，域增加难以扩展，一种方式是收集用户的直接反馈，来训练模型。但是对于某些意图和场景可能不太适合（哪些领域呢？）因此本文提出一种hybrid approach将用户显式反馈和用户满意度预测模型（一个基于用户反馈数据训练，另一个基于人类注释数据）推断的用户满意度预测，能能够减少对人工标注的依赖。