DeepPavlov：一个训练对话系统和聊天机器人的开源库
选自GitHub
机器之心编译
参与：思源、刘晓坤
本文介绍了一个构建端到端对话系统和训练聊天机器人的开源项目 DeepPavlov，该开源库的构建基于 TensorFlow 和 Keras，并旨在推动 NLP 和对话系统的研究，提升复杂对话系统的实现和评估效果。机器之心简要介绍了该项目和基本技术，希望实现对话机器人的读者可进一步阅读原项目。
项目地址：https://github.com/deepmipt/DeepPavlov
这是一个开源的对话 AI 库，建立在 TensorFlow 和 Keras 上，其用途是：
NLP 和对话系统研究；
复杂对话系统的实现和评估。
我们的目标是为研究者提供：
用于实现和测试他们自己的对话模型并随后将模型共享的框架；
一系列预定义的 NLP 模型/对话系统组件（机器学习/深度学习/规则系统）和流程模板；
对话模型的基准测试环境和对相关数据的系统性评估。
并为 AI 应用开发者提供：
建立对话软件的框架；
将应用与对应基础建设（通讯、技术支持软件等）相集成的工具。
项目特征
格位填充组件（Slot filling component）：基于命名实体识别（NER）神经网络和模糊 Levenshtein 搜索，以从文本中提取归一化的格位值（slot values）。NER 网络组件根据论文《Application of a Hybrid Bi-LSTM-CRF model to the task of Russian Named Entity Recognition》重新生成了架构，由《Neural Architectures for Named Entity Recognition》中的 LSTM+CRF 架构所启发。
专用分类组件：基于论文《Convolutional Neural Networks for Sentence Classification》中的 shallow-and-wide CNN 架构。该模型允许语句的多标签分类。
自动拼写和校正组件：基于论文《An Improved Error Model for Noisy Channel Spelling Correction》，并使用基于统计学的误差模型、一个静态词典和一个 ARPA 语言模型以校正拼写错误。
目标导向的对话机器人：基于论文《Hybrid Code Networks: practical and efficient end-to-end dialog control with supervised and reinforcement learning》中的 Hybrid Code Networks 架构。它允许在目标导向任务的对话中预测回应。该模型是相当可定制的：嵌入、格位填充器和专用分类器可以根据需要使用或者不用。
为俄语预训练的嵌入：在联合俄语 Wikipedia 和 Lenta.ru 语料库词向量上进行预训练得到的词嵌入。
简单示例
用 Telegram 部署目标导向的对话机器人和格位填充（slot-filling）的视频 demo：
用 Telegram 接口运行目标导向的对话机器人：
用控制台接口运行目标导向的对话机器人：
用 Telegram 接口运行格位填充模型：
用控制台接口运行格位填充模型：
概念简述
原则
这个库遵循以下原则设计：
将端到端学习架构作为长期目标；
目前采用混合的机器学习/深度学习/规则系统的架构；
模块化的对话系统架构；
基于组件的软件工程，最大化复用性；
易于扩展和基准测试；
为单个 NLP 任务提供多个组件，通过数据驱动选择合适的组件。
目标架构
我们的库的目标架构：
DeepPavlov 建立在机器学习库（TensorFlow、Keras）之上。可以用其它外部的库建立基础组件。
关键概念
Agent（智能体）：对话智能体用自然语言（文本）和用户进行交流。
Skill（技能）：用于满足用户需求的交互单元。通常可以通过展示信息或完成任务（例如，通过 FAQ 回答问题等）；然而，根据经验，某些任务的成功会被定义成连续的进展（例如，闲聊）。
Components（组件）：基础功能模块：
Rule-based Components（基于规则的组件）—无法训练；
Machine Learning Components（机器学习组件）—仅能独立训练；
Deep Learning Components（深度学习组件）—可以独立地训练，也能以端对端的方式结合到工作链中。
Switcher（转换器）：智能体排序和选择向用户展示的最终应答的机制。
Components Chainer（组件链接器）：从各种组件（Rule-based/ml/dl）构建智能体/组件管道的工具，允许以整体的形式训练和推理管道。
技术概览
项目模块
配置
NLP 的流程配置为 JSON 文件，它包含四个元素：
配置文件中每一个类都有一个 name 参数，它是注册的代码名。通过重复它的__init__() 方法参数，我们可以定义其它任何参数。__init__() 参数的默认值在类的实例初始化中被配置值覆盖。
数据集读取器
数据集
词汇
模型
训练
所有在实验中可以改变的训练参数（如 Epoch 数、批量大小、容忍度、学习率个优化器等）都应该传递到模型的构造函数__init__()，且__init__() 中的默认参数值将会被 JSON 配置值覆盖。要改变这些值，我们不需重写代码，只需要修改配置文件就行。
训练过程由 train_now 属性控制。如果 train_now 为真，表示模型正在执行训练。在使用 Vocab 时，这个参数十分有用，因为可以在单个模型中训练一些词汇，而另一些词汇只会在流程中的其它模型上执行推断。JASON 配置文件中的训练参数以设置成：
推断
本文为机器之心编译，转载请联系本公众号获得授权。
?------------------------------------------------
- 发表于:
- 原文链接：http://kuaibao.qq.com/s/20180227B0J1X500?refer=cp_1026
- 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号（企鹅号）传播渠道之一，根据《腾讯内容开放平台服务协议》转载发布内容。
- 如有侵权，请联系 cloudcommunity@tencent.com 删除。
相关快讯
扫码
添加站长 进交流群
领取专属 10元无门槛券
私享最新 技术干货
腾讯云开发者
