在機器人圍棋大勝李世石、柯潔之后，人工智能越來越火。作為一項新興技術(shù)，智能問答也是人工智能中必不可少的一環(huán)。智能問答一般用于解決企業(yè)客服、智能資訊等應(yīng)用場景，實現(xiàn)的方式多種多樣，包括簡單的規(guī)則實現(xiàn)，也可以基于檢索實現(xiàn)，還可以通過encoder-decoder框架生成，本文通過幾種常見的問答技術(shù)，概要介紹了達觀數(shù)據(jù)智能問答相關(guān)原理研究。

1，基于規(guī)則的智能問答

基于規(guī)則的智能問答通常是預(yù)先設(shè)置了一系列的問答規(guī)則，在用戶輸入一個問題時，去規(guī)則庫里匹配，看是否滿足某項規(guī)則，如果滿足了就返回該規(guī)則對應(yīng)的結(jié)果。如規(guī)則庫里設(shè)置“*你好*”->“你好?。　?，那么用戶在輸入“你好”時，機器人會自動返回“你好??！”。如果規(guī)則庫非常龐大，達到了海量的級別庫，則可對規(guī)則建立倒排索引，在用戶新輸入一個問題時，先去倒排索引中查找命中的規(guī)則集合，再通過這個集合中的規(guī)則進行匹配返回。

使用規(guī)則庫的智能問答優(yōu)點是簡單方便，準(zhǔn)確率也較高；缺點是規(guī)則庫要經(jīng)常維護擴展，而且覆蓋的范圍小，不能對新出現(xiàn)的問題進行回答。

2，基于檢索的智能問答

基于檢索的智能問答很像一個搜索引擎，但又和搜索引擎不同，相比搜索引擎而言，智能問答更側(cè)重于用戶意圖和語義的理解。它基于歷史的問答語料庫構(gòu)建索引，索引信息包括問題、答案、問題特征、答案特征等。用戶問問題時，會將問題到索引庫中匹配，首先進行關(guān)鍵字和語義的粗排檢索，召回大量可能符合答案的問答對；然后通過語義和其他更豐富的算法進行精排計算，返回最好的一個或幾個結(jié)果。

圖1

• 粗排策略

粗排策略跟一般的搜索引擎非常類似，主要基于的技術(shù)包括粗細粒度分詞、詞重要性計算、核心詞識別、命名實體識別、語義歸一等相關(guān)技術(shù)，主要是為了在粗排階段盡可能地把相關(guān)問題進行召回。

• 詞重要性計算：通過計算重要性，越能表示問題的詞匯權(quán)重越高，在召回時命中這些詞匯的候選集越有可能被召回。如：“靠譜的英語培訓(xùn)機構(gòu)有哪些？”，在這個問題中，“英語”、“培訓(xùn)”、“機構(gòu)”是高權(quán)重的詞，“靠譜”是較高權(quán)重的詞，“哪些”是較低權(quán)重的詞；因此越符合“英語培訓(xùn)機構(gòu)”的答案越有可能被召回。
• 核心詞識別：核心詞就是候選集中必須相關(guān)的詞。如“北京住宿多少錢？”
  ，核心詞是“北京”、“住宿”，如果候選集中沒有這兩個相關(guān)的詞，如“上海住宿多少錢？”，“北京吃飯多少錢”，都是不符合問題需求的。
• 命名實體識別：通過命名實體識別，能協(xié)助識別出問題答案中的核心詞，也可以對核心專有名詞進行重要性加權(quán)，輔助搜索引擎提升召回效果。
• 語義歸一也是擴大召回的重要手段，同一個問題可能有很多種問法，不同的問法如果答案不同，或者召回的結(jié)果數(shù)目不同，就會很讓人煩惱了，比如“劉德華生日是哪天？”、“劉德華出生在哪一天？”，如果不作語義歸一的話，有可能某一個問題都不會召回結(jié)果。

• 精排策略

通過粗排，搜索引擎已經(jīng)返回了一大批可能相關(guān)的結(jié)果，比如500個，如何從這500個問題中找到最符合問題的一個或者幾個，非?？简炈惴ň取Ｒ话慊跈z索的問答系統(tǒng)都會通過語義或者深度學(xué)習(xí)的方法尋找最匹配的答案。

• 基于句子相似度的算法。

基于句子相似度的算法有很多種，效果比較好的有基于word2vec的句子相似度計算和基于sentence2vec的句子相似度計算?；趙ord2vec計算兩個句子的相似度，就是以詞向量的角度計算第一個句子轉(zhuǎn)換到第一個句子的代價：

詞向量有個有趣的特性，通過兩個詞向量的減法能夠計算出兩個詞的差異，這些差異性可以應(yīng)用到語義表達中。如：vec(Berlin) –?vec(Germany) = vec(Paris) –?vec(France)；通過這個特性能夠用用來計算句子的相似度。假設(shè)兩個詞x_i, x_j之間的距離為，這可以認為是x_i轉(zhuǎn)換到x_j的代價?？梢詫⒕渥佑迷~袋模型表示，模型中某個詞i的權(quán)重為，其中c_i是詞i在該句子中出現(xiàn)的次數(shù)。設(shè)置為一個轉(zhuǎn)換矩陣，T_ij表示句子d中詞i有多少權(quán)重轉(zhuǎn)換成句子d’中的詞j，如果要將句子d完全轉(zhuǎn)換成句子d’，所花費的代價計算如下：

如果用Xd表示句子中的詞向量通過權(quán)重d_i進行加權(quán)平均的句向量，可以推導(dǎo)出，句子轉(zhuǎn)換代價的下限是兩個句向量的歐式距離。

一般這個下限表示兩個短句子相似的程度已經(jīng)足夠了，如果需要通過完全最優(yōu)化的方法計算的值，可以通過EMD solver算法計算。

• 基于深度學(xué)習(xí)計算問答匹配程度。

基于句向量的距離計算句子相似度，可以cover大部分的case，但在句子表面相似，但含義完全不同的情況下就會出現(xiàn)一些問題，比如“我喜歡冰淇淋”和“我不喜歡冰淇淋”，分詞為“我”，“不”，“喜歡”，“冰淇淋”，兩個句子的相似度是很高的，僅一字“不”字不同，導(dǎo)致兩個句子意思完全相反。要處理這種情況，需要使用深度模型抓住句子的局部特征進行語義識別。

圖2

如圖所示，Q是用戶的問題，D是返回的各個答案。對于某一個問答句子，首先將它映射到500k大小的BOW向量Term Vector里。因為Term Vector是稀疏矩陣，可以使用Word Hashing或者其他Embedding的方法將其映射到30k大小的詞向量空間里。接下來的l1, l2, l3層就是傳統(tǒng)的MLP網(wǎng)絡(luò)，通過神經(jīng)網(wǎng)絡(luò)得到query和document的語義向量。計算出（D，Q）的cosine similarity后，用softmax做歸一化得到的概率值是整個模型的最終輸出，該值作為監(jiān)督信號進行有監(jiān)督訓(xùn)練。模型通過挖掘搜索點擊日志構(gòu)造的query和對應(yīng)的正負document樣本（點擊/不點擊），輸入DSSM進行訓(xùn)練。

• 基于卷積神經(jīng)網(wǎng)絡(luò)計算問答匹配程度。

句子中的每個詞，單獨來看有單獨的某個意思，結(jié)合上下文時可能意思不同；比如“Microsoft?office”和“I sat in the office”，這兩句話里的office意思就完全不一樣。通過基于卷積神經(jīng)網(wǎng)絡(luò)的隱語義模型，我們能夠捕捉到這類上下文信息。

圖3

如圖所示，先通過滑窗構(gòu)造出query或document中的一系列n-gram terms，比如圖中是Word-n-gram layer中的trigram；然后通過word-hashing或者embedding將trigram terms表示為90k的向量；通過卷積向量Convolution matrix Wc對每個letter-trigram向量作卷積，可以得到300維的卷積層Convolutional layer；最后通過max-pooling取每個維度在Convolutional layer中的最大值，作為文本的隱語義向量。模型也是通過挖掘搜索日志進行有監(jiān)督訓(xùn)練。

通過卷積神經(jīng)網(wǎng)絡(luò)，能得到句子中最重要的信息。如下面一些句子，高亮的部分是卷積神經(jīng)識別的核心詞，它們是在300維的Max-pooling層向量里的5個最大神經(jīng)元激活值，回溯找到原始句子中的詞組。

microsoft office excel could allow remote?code execution

welcome to the apartment office

• 基于主題模型計算問答匹配程度。

短文本一般詞語比較稀疏，如果直接通過共現(xiàn)詞進行匹配，效果可能會不理想。華為諾亞方舟實驗室針對短文本匹配問題，提出一個DeepMatch的神經(jīng)網(wǎng)絡(luò)語義匹配模型，通過（Q, A）語料訓(xùn)練LDA主題模型，得到其topic words，這些主題詞用來檢測兩個文本是否有語義相關(guān)。該模型還通過訓(xùn)練不同“分辨率”的主題模型，得到不同抽象層級的語義匹配（“分辨率”即指定topic個數(shù)，高分辨率模型的topic words通常更加具體，低分辨率的topic words通常更加抽象）。在高分辨率層級無共現(xiàn)關(guān)系的文本，可能在低分辨率存在更抽象的語義關(guān)聯(lián)。DeepMatch模型借助主題模型反映詞的共現(xiàn)關(guān)系，可以避免短文本詞稀疏帶來的問題，并且能得到不同的抽象層級的語義相關(guān)性。

圖4

如圖所示，綠色和紫色塊分別表示在同一個分辨率下不同的主題在X和Y文本中命中的主題詞塊，與上一層分辨率（p-layerII）的主題的關(guān)聯(lián)通過是否與上一層的主題詞塊有重疊得到。如此通過多層的主題，能夠構(gòu)建出神經(jīng)網(wǎng)絡(luò)，并使用有監(jiān)督的方式對相關(guān)權(quán)重進行訓(xùn)練。

3，基于產(chǎn)生式的智能問答

基于產(chǎn)生式的智能問答系統(tǒng)，主要是通過seq2seq的方式，通過一個翻譯模型的方式進行智能回答，其中問題是翻譯模型的原語言，答案是翻譯模型的目標(biāo)語言。Seq2seq模型包含兩個RNN，一個是Encoder，一個是Decoder。Encoder將一個句子作為輸入序列，每一個時間片處理一個字符。Decoder通過Encoder生成的上下文向量，使用時間序列生成翻譯（回答）內(nèi)容。

圖5

在Encoder中，每一個隱藏的狀態(tài)影響到下一個隱藏狀態(tài)，并且最后一個隱藏狀態(tài)可以被認為是序列的總結(jié)信息。最后這個狀態(tài)代表了序列的意圖，也就是序列的上下文。通過上下文信息，Decoder會生成另一個結(jié)果序列，每一個時間片段，根據(jù)上下文和之前生成的字符，Decoder都會生成一個翻譯字符。

圖6

這個模型有一些不足：首先是這個模型不能處理變長的字符序列，而一般的翻譯模型和問答模型中的序列長度都是不定的。另外一個是僅通過一個context變量，并不足以完全表示輸入序列的信息。在序列變得很長之后，大量的信息會被丟棄，因此需要多個context變量及注意力機制進行處理。

• Padding

通過Padding方式，可以將問答字符串固定為定長的序列，比如使用如下幾個序列進行Padding：

EOS?: 序列的結(jié)束

PAD?: Padding字符

GO?: 開始Decode的字符

UNK?: 不存在字典中的字符

對于問答對：

Q?: 你過得怎樣？

A?:?過得很好。

通過padding將生成固定的如下字符串：

Q?:?[?PAD, PAD, PAD, PAD, “？”, “樣”, “怎”, “得”, “過”, “你”?]

A?:?[?GO, “過”, “得”, “很”, “好”, “。”, PAD, EOS, PAD, PAD?]

• 注意力機制

Seq2Seq的一個限制是輸入序列的所有信息只能編碼到一個定長的數(shù)組context里，如果輸入序列變長的話，我們很容易會丟失信息，因此Seq2Seq模型對長輸入序列效果很差。通過引入一個注意力機制，可以讓Decoder在翻譯（回答）時按權(quán)重選擇性地提取輸入的各個隱層變量進行計算，這樣就能在產(chǎn)生輸出時考慮到輸入的關(guān)鍵信息了。

圖7

如圖中，每個輸入的狀態(tài)y_i除了與前一個狀態(tài)y_i-1，輸入的隱藏狀態(tài)s_i有關(guān)之外，還與注意力向量c_i有關(guān)。

這里的注意力向量不再是單獨的一個c，而是對于每一個輸入y_i都有對應(yīng)的c_i，它的計算方式如下：

e_ij是一個對準(zhǔn)模型，它計算了位置為i的輸入和位置為j的輸出之間關(guān)系的比重。它通過輸出的隱藏狀態(tài)s_i –?1（用來計算s_i及輸出狀態(tài)y_i）和輸入序列的第j個隱藏變量h_j計算而得。

通過將問答對以翻譯模型進行訓(xùn)練（問題作為原語言，答案作為目標(biāo)語言），在新來一個問題時，可以在沒有任何歷史相似問題的情況下得到較接近的答案。然而因為目前的翻譯模型還不夠成熟，經(jīng)常翻譯出莫名奇妙的答案，讓人摸不著頭腦，如下所示：

你好->你好

很高興認識你->我也是

你是誰->我是說，我們是朋友

我們是朋友嗎->不是

我們?yōu)槭裁床皇桥笥?>我們不知道，我們都不知道你們在哪里

達觀數(shù)據(jù)很厲害->我們知道

通過產(chǎn)生式的翻譯模型，即使基于大量的語料訓(xùn)練，很有可能效果還是不夠理想，因此經(jīng)常作為基于規(guī)則和檢索的問答系統(tǒng)的輔助方式。

4，小結(jié)

本文介紹了智能問答技術(shù)的相關(guān)原理，講述了實現(xiàn)智能問答的一般方法。借助于深度學(xué)習(xí)技術(shù)，智能問答效果比傳統(tǒng)機器學(xué)習(xí)提升20%左右。達觀數(shù)據(jù)擁有多年的自然語言處理技術(shù)積累，并且緊跟行業(yè)潮流，在文本語義、信息檢索、智能問答方面不斷深耕，助力各個企業(yè)享受大數(shù)據(jù)技術(shù)的成果。