文 / Google Research 及 Google Brain 团队高级研究工程师 Daniel Adiwardana 和高级研究员 Thang Luong
现代 对话代理 (Conversational Agent, 又称 chatbots 聊天机器人) 非常专业，只要用户的使用行为与预期相差不多，这类机器人的表现就会很好。
为了更好地处理各种各样的对话主题，开放域对话 (Open-Domain Dialog) 的研究团队探索出一种补充方法：尝试开发出一种不专门针对聊天、但仍然可以与用户聊任何内容的聊天机器人。这类对话代理不仅是一个吸引人的研究课题，而且还可衍生出很多有趣应用，如：可进一步提升人机互动，改进外语学习，制作有关联的交互式电影和视频游戏角色的应用。
但是，现有的开放域聊天机器人存在一个严重缺陷：它们回复的内容常常不具有实际意义。它们时常回复的话语前后不搭，或者明显缺乏常识与关于世界的基本认知。此外，这类聊天机器人经常会给出不符合当前特定语境的答复。例如，用“我不知道”这个没有针对性的答案来回复很多问题。据统计，聊天机器人比人类更频繁地给出类似的万金油回答。
我们在《迈向拟人化的开放域聊天机器人》(Towards a Human-like Open-Domain Chatbot) 一文中介绍了 Meena，这是一个包含 26 亿个参数的端到端训练的 神经对话模型。我们证明，与现有的最先进 (State-Of-The-Art) 聊天机器人相比，Meena 可以进行更合理和更具体的对话。我们针对开放域聊天机器人提出一项新的人工评估指标，即合理度和具体度平均值 (Sensibleness and Specificity Average, SSA)，可捕获人类对话中基本但重要的属性。值得注意的是，我们提出了一项适用于任何神经对话模型，而且与 SSA 高度相关的自动指标 “困惑度 (Perplexity)”。
Meena（左）与用户（右）的聊天对话
Meena
Meena 是一种端到端的神经对话模型，可以根据特定语境学习并做出明智回答。训练的目标是最大程度地降低困惑度，即预测下一个 token (在本例中是指对话中的下一个词) 的不确定性。Meena 的核心是 Evolved Transformer seq2seq 架构，这是一种为降低困惑度，在改进神经架构搜索时发现的 Transformer 架构。
具体来说，Meena 拥有 1 个 Evolved Transformer 编码器块 (Encoder) 和 13 个 Evolved Transformer 解码器块 (Decoder)，如下图所示。编码器负责处理对话上下文，以帮助 Meena 理解对话中已经提及过的内容。随后，解码器使用理解的信息来制定实际回答。通过调整超参数，我们发现功能更强大的解码器是提高对话质量的关键。
Meena 对含 7 轮上下文的对话进行编码并生成 “新一代 (The Next Generation)”回答的示例
我们把用于训练的对话组织成树线索，其中线索内的每次回答均视作一个对话回合（一轮）。我们提取了每个对话训练示例（包含七轮上下文的对话），并将其作为树线索的一条路径。我们认为七轮的对话可实现良好的平衡，一边保证用于训练对话模型的上下文长度足够，一边保证不超过内存限制，因为更长的上下文会占用更多内存。
Meena 模型包含 26 亿个参数，并经过了 341 GB 文本的训练，这些文本都是从公共领域的社交媒体上的对话中过滤得到的。相较于现有最先进的生成模型 OpenAI GPT-2，Meena 拥有 1.7 倍的模型容量，并且经过了 8.5 倍数据量的训练。
人工评估指标：合理度和具体度平均值 (SSA)
目前，针对聊天机器人质量的人工评估指标往往很复杂，而且评估者之间没有统一的标准。因此，这促使我们设计出一种新的人工评估指标，即合理度和具体度平均值 (SSA)，可捕获自然对话中的基本但重要的属性。
为了计算 SSA，我们通过众包形式与正在测试的聊天机器人进行了自由对话（包括 Meena 和其他著名的开放域聊天机器人，如 Mitsuku、Cleverbot、微软小冰和 DialoGPT 等）。为确保评估之间的一致性，每个对话都以相同的问候语 “嗨！”开始。对于每次对话，众包工作人员都需要评估两个问题：“回答是否合理？”和“回答是否具体？”。
评估者需要用常识来判断给出的回答在上下文语境中是否完全合理。如果出现任何问题，比如语义混乱、不合逻辑、脱离上下文或有事实性错误，则应将其回答评为“不合理”。如果回答合理，则需要评估该回答是否符合给定的上下文。例如，如果 A 说“我喜欢网球”而 B 回答“很好”，那么该回答应被标记为“不具体”，因为这种回答在许多不同的上下文中都可使用。但是，如果 B 回答“我也是，我超爱罗杰·费德勒！”，则该回答可被标记为“具体”，因为它与正在讨论的内容密切相关。
针对每个聊天机器人，我们通过约 100 个场对话收集了 1600 至 2400 轮独立对话。每个模型的回答都由众包工作人员标记，评估回答是否合理和具体。
聊天机器人的合理度 (Sensibleness) 代表标记为“合理 (Sensible)”回答的占比，而具体度 (Specificity) 则代表标记为“具体 (Specific)”回答的占比，二者的平均值就是 SSA 分数。以下结果表明，就 SSA 评分而言，Meena 的表现明显优于当下最先进的聊天机器人，并且正在缩小与人类表现的差距。
与人类、Mitsuku、Cleverbot、微软小冰和 DialoGPT 相比，Meena 的合理度和具体度平均值 (SSA)
自动指标：困惑度
长期以来，研究人员一直在寻找一种自动评估指标，能反映更为准确的人工评估。这将有助于加速对话模型的开发，但是迄今为止，找到这种自动指标的过程总是 挑战重重。
出乎意料的是，我们在工作中发现困惑度，一种在任何神经 seq2seq 模型中均可方便使用的自动指标，它与人工评估指标（如 SSA 值）具有很强的相关性。困惑度用于衡量语言模型的不确定性。困惑度越低，模型就越有可能生成下一个 token（字符、子单词或单词）。从概念上讲，困惑度表示在生成下一个 token 时，模型尝试从中进行选择的数量。
在开发过程中，我们对具有不同超参数和架构的八个不同模型版本进行了基准测试，例如 layers 的数量、attention heads、总训练步骤、是使用 Evolved Transformer 还是常规 Transformer，以及是否使用硬标签或 知识蒸馏 (Distillation) 进行训练。如下图所示，困惑度越低，模型的 SSA 评分越高，相关性也很强 (R2 = 0.93)。
SSA 与困惑度：每个蓝点代表 Meena 模型的不同版本。图上绘制的回归线表明 SSA 和困惑度之间存在很强的相关性。虚线分别对应人类、其他机器人、Meena（基础）、端到端训练的模型，以及具有过滤机制和优化解码功能的最终完整的 Meena 的 SSA 表现
我们最好的端到端训练 Meena 模型称为 Meena（基础），其困惑度为 10.2（值越小越好），转换为 SSA 评分相当于 72％。相较于其他聊天机器人的 SSA 评分，我们的 SSA 评分为 72％，与普通人类 86％ 的 SSA 评分相差不远。完整版 Meena 具有过滤机制和优化解码功能，可将 SSA 评分进一步提高至 79％。
未来研究与挑战
如先前所提倡的，我们将继续通过改进算法、架构、数据和计算来降低神经对话模型的困惑度。
尽管本项研究中只专注于合理度和具体度，但我们在后续工作中也会考虑其他属性，例如 个性 和 事实性。此外，解决模型中的安全性和偏差问题也是我们的研究重点，而由于存在诸多与此相关的挑战，我们目前尚未公布外部研究演示。但是，我们正在评估与外部化模型 checkpoint 相关的风险和优势，并且可能选择在未来几个月中实施这一方案，以帮助推进该领域的研究。
致谢
感谢以下成员对此项目做出的巨大贡献：David So、Jamie Hall、Noah Fiedel、Romal Thoppilan、Zi Yang、Apoorv Kulshreshtha、Gaurav Nemade、Yifeng Lu。同时，也要感谢 Quoc Le、Samy Bengio 和 Christine Robson 给予的领导支持。感谢以下人士对本文草稿提出反馈意见：Anna Goldie、Abigail See、YizheZhang、Lauren Kunze、Steve Worswick、Jianfeng Gao、Daphne Ippolito、Scott Roy、Ilya Sutskever、Tatsu Hashimoto、Dan Jurafsky、Dilek Hakkani-tur、Noam Shazeer、Gabriel Bender、Prajit Ramachandran、Rami Al-Rfou、Michael Fink、Mingxing Tan、Maarten Bosma 和 Adams Yu。同时也要感谢众多帮助收集与各种聊天机器人的对话的志愿者们。最后，感谢 Noam Shazeer、Rami Al-Rfou、Khoa Vo、Trieu H.Trinh、Ni Yan、Kyu Jin Hwang 和 Google Brain 团队对本项目的帮助。
原文：Towards a Conversational Agent that Can Chat About…Anything
中文：TensorFlow 公众号