AIR 040丨加拿大皇家學院院士李明：深度學習在機器人問答中的應用

聊天機器人怎么做？常見的方式一種是通過深度學習；另外則是利用信息論，即讓機器人如何去聊天、如何反饋。利用深度學習的方式現在已廣泛應用，而第二種方式目前在應用較少，尚處于探索階段。

在全球人工智能與機器人峰會上，加拿大皇家學院院士，滑鐵盧大學教授，ACM、IEEE Fellow李明提到，利用深度學習的Context Model做聊天機器人，該機器人在對話中回答的問題就過于籠統，目前需要解決的產品痛點是要讓機器的回答更有針對性。所以李明和他的研究團隊在此基礎上加了一個CNN編碼器，給機器人一個有上下文的題目，然后對它進行幾億對的問答訓練，最終訓練出40個，讓回答更具針對性，而且精度在80%以上。

它的工作方式是先接入兩個Contet Model，通過不同的連接，把CNN的分類結果輸入至RNN，從而更準確地理解問題，做出正確的回答。

Siri作為一個背后由自然語言處理支撐的應用，目前還存在一定的問題。當用戶問Siri“魚吃什么？”Siri內部的系統提煉出“魚”和“吃”這兩個關鍵詞，于是理解為用戶的意圖是想要吃海鮮，于是回答結果羅列出很多海鮮館。如果不用深度學習改用模板匹配也會出現問題，模板匹配靈活性較差，提問“今天天氣怎么樣”它可以回答，但如果換為“今天天氣怎么樣啊”，就會出現問題。

最近李明做了一個研究，鑒定細胞里的某項物質有多少。流程是先給到一個細胞，把細胞粉碎、分離，分離以后把黑點拿出，用質譜議搖一搖以后生成頻譜，該頻譜即它的質譜，按照質譜李明寫了一個很簡單的CNN模型，接上LSTM完成鑒定。而在這種情況下，由于噪音問題，深度學習自身不工作，此外它還需要做動態規劃，通過無數個CNN，最終用動態規劃把它解決。

問答機器人其中有一大技術挑戰就是適度反饋系統。阿爾法狗的反饋系統，通俗講就是下棋下輸一局就減一分，反之加一分。相比于阿爾法狗簡單地反饋輸和贏，聊天和問答就不能用簡單的對和錯、輸和贏來反饋，所以這里需要一個適用的度量系統。李明提出一個度量系統概念，以信息論為基礎的度量系統，他們需要度量兩個句子的相似性或者一個問題和一個答案的相似性，最終找到兩者的語義距離。語義距離雖不可計算，但語義可以達到近似，而近似的實現方式就是壓縮，通過壓縮來度量語言的近似性。

李明從另外幾個角度利用深度學習來解決自然語言問題，為研究者們提供新的視角。

以下是李明演講實錄：

大家好！

我們有一個創業公司，叫薄言，我們就做聊天機器人這一件事情。今天我就會給大家介紹一下我們的聊天機器人。

大家可以在微信號上關注薄言豆豆，你就可以直接與它聊天。實體機器人是我們聊天機器人的一個落地方式，但這不是我們主要的產品。

聊天平臺是怎么做的？我們在這個方向已經耕耘近十年，公司成立了兩、三年，共50多人。不做別的，就做一件事：聊天。今天會場上很多人談到聊天這個項目，不乏有很多很精彩的報告，我想介紹一下自己的聊天機器人的平臺。我把它分為兩個題目，一個是聊天機器人怎么做，一個是深度學習，另外一個是信息論，即怎么去聊天，怎么做反饋。第一個題目是大家都已經做了很多了，但第二個題目比較新，也比較有實驗性，有探索性。

很多人知道做深度學習，就是所謂的Context Model，我們覺得以該技術研發出的產品回答問題太過籠統，我們需要讓問題回答得更有針對性。所以我們加了一個CNN Encoder，就是給它一個上下文的題目。它需要幾億對的問答對去訓練，訓練出了40個。然后它就會把它想問的題目告訴網絡，網絡就會用它來更有針對性的回答問題。我們訓練了以后，它的精度大概是在80%左右。

C是有不同的方式可接入兩個Contet Model，通過不同連接，把CNN的分類結果輸入給RNN，讓它更準確地理解意思，從而做出正確的回答。舉個例子，大家看第一個，這第一個是說鐵達尼號是誰主演的，輸出的是非常籠統的話，都沒問題，全是中國話，沒什么用，回答有很多很多人。但是當你有了主題以后，它回答的就是一個正確的演員的名字。還有第二個問題，當沒有這個主題的時候，你問庫里和詹姆斯誰是MVP，它就說要看情況，有了這個主題以后，它的回答就是答案是詹姆斯，這是主題輸入的重要性。

大家都在說深度學習怎么來幫助自然語言理解，舉個有代表性的例子，大家知Siri，Siri用了很多關鍵字處理，假設你問它魚吃什么？它認為這有個魚，還有吃，那肯定要吃海鮮，那就告訴你很多海鮮館，這是很不靠譜的事情了。但是你也可以做模板匹配，如果不做深度學習的話，做模板匹配也很不靠譜，剛才有個艾克的例子，艾克就可模板匹配，模板匹配相比而言非常不靈活，你說今天天氣怎么樣它可以回答，如果你說今天天氣怎么樣啊，它就不行了，靈活性非常差。

大家看這個，這是經過了訓練以后做出的東西，我渴了怎么辦？回答說喝水，有點渴怎么辦？多喝水，我x有點渴了怎么辦？多喝水，我就瞎加字，多喝水，我北京有點渴了怎么辦？喝王老吉，蝴蝶，我北京有點渴了怎么辦？還是說喝點水。現在我把渴字換成餓字了，就一字之差，我說蝴蝶我北京有點餓了怎么辦中國，機器就說吃東西，我又把餓字去掉了，我說蝴蝶在北京有沒有怎么辦中國，它的回答是有啊，北京。所以深度學習給我們解決了很多問題，并不是說它理解了這句話的意思，但它變得非常精確。

我再給大家舉一個簡單的例子，深度學習就是在凡是有數據的地方，凡是有標注性的地方都做得非常好。在生物信息血也做得非常好，最近我們做了一個工作，生物信息血就是我在一個細胞里需要鑒定某個數量有多少，或者有沒有。那么我該怎么做呢？先給一個細胞，然后把細胞粉碎分離，分離以后幾個黑點，把它拿出來，就拿一個質譜議搖一搖，徭完了以后就生成這么一個頻譜，這個頻譜就是它的質譜，按照這個質譜我們就希望把它寫出它的蛋白質等等。所以我寫了一個很簡單的模型，就是CNN，后頭接上了LSTM，深度學習很多時候根本就不適合，這種情況下，深度學習自己完全不工作，因為有很多噪音，而且它需要做所謂的動態規劃。我們用了無數多個CNN，用動態規劃把它解決的。當然這只是一個簡單的說法，一個圖。

以前科學院做了一個比較，這個比較不完全公平，但是也不失可以給大家看看。薄言豆豆，這個問題就用了一千個從微軟里找出的問題。這是在2015年發表的數據，他們拿來測試聊天機器人，我說不公平，是因為這些問題不太是聊天的問題，它是QA的問題，所以對有些比較是公平的，比如圖靈機器人是公平的，因為它做這個，然后出門問問它也做這個，小i機器人也做這個，但對小冰和百度度秘就不太公平，因為它不做這個。但是你要想聊天一定是什么問題都能回答，不能胡說八道，人家問你一個什么問題，你一定要正常的回答。所以知識非常重要，知識就是力量。

我想講下一個問題，阿爾法狗做的非常好，下棋下輸了就減一分，下贏了就加一分，這有正常的反饋系統。而說話聊天，問一句話說一句話你怎么知道正確錯誤，所以要有正確的度量系統，所以最近我們在研究需要一個正確的度量系統，我們有一個信息論，以信息論為基礎的度量系統，這就是我們LSTM比較具有相似性，現在我們需要度量什么東西呢？兩個句子的相似性或者一個問題和一個答案的相似性，我需要找到這些東西的語義距離，這兩句話它的語義距離有多少，現在問題是這樣，問題什么是語義距離，語義距離是沒有定義不可計算，沒有人知道什么東西的東西。我們就提出一個新的理論，就是語義距離不知道是什么，我們就用一個東西來代替這件事。

我能證明這件事，語義距離沒有定義，不可計算，信息距離有距離，也不可計算，但可以近似。怎么近似？就是壓縮。但是我能證明以下事情，數學嚴格的證明。任何對語義距離的一個描述，一個近似，不管你什么近似，只要你是可計算的，我的信息距離一定比你那個距離好。就是別的不用了，語義距離不是沒定義嗎？算了，咱別定義了，咱們就用信息距離好了，信息距離無非就是讓你壓縮，壓縮完了就可以近似語義距離。當然怎么壓縮我也不知道，但是這是可以做的，因為很多我們已經開始在嘗試著做這件事，通過壓縮來度量這個東西，兩個語言的近似性。

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。