短文对话的神经反应机 -- Neural Responding Machine for Short-Text Conversation学习笔记

　　最近学习了一篇ACL会议上的文章，讲的是做一个短文对话的神经反映机，

　　原文：

　　会议：ACL(2015)

　　文章条目：    Lifeng Shang, Zhengdong Lu, Hang Li:

　　Neural Responding Machine for Short-Text Conversation. 1577-1586

　　写下学习笔记：

　　拓展：Attention Model 注意力模型，本文中提到所采用的Encoder-Decoder框架。

　　

　　可以把它看作适合处理由一个句子(或篇章)生成另外一个句子(或篇章)的通用处理模型。

　　

  X表示输出的句子，Y表示输出的句子。

　　Encoder对输入句子进行编码，转化成中间语义表示

　　Decoder对中间语义及已经生成的历史信息y1,y2,…生成i时刻要生成的单词yi

，很多个yi串起来就形成了Y，即输出的句子。

　　其中编码和解码都有很多可用的神经网络模型，如CNN/RNN/LSTM/深度LSTM等等，有很多种组合可以尝试。在文本处理中比较常见的Endocer和Decoder都采用RNN模型。

　　而本文也采用了seq2seq(Sequence to Sequence)模型，该模型可以运用在很多地方，比如说文章自动摘要、机器翻译、人机对话等等。(其实就是一个Encoder和Decoder模型，然后Encoder和Decoder用的都是RNN中的GRU网络)。因此本文中的Encoder-Decoder模型本质上来说应该是这样的：

　　

　　Short-Text Conversation(STC)指的是单轮对话任务——也就是对于每一个输入post给出一个对应的response。以往的STC方法主要有两种：检索式的方法(retrieval-based method)和统计机器翻译(statistical machine learning， SMT)。但是检索式的事先都固定好了，太缺乏多样性，而统计机器翻译将它作为一个翻译任务，而有时候post和respond是完全没有一点语义关系的。

　　本文采取通用的Encoder-Decoder模型，同时利用了seq2seq模型，在编码和解码的过程中都用的是循环神经网络CNN中的GRU(没有用LSTM是因为LSTM的参数太多，用GRU相对简单一些并且效果还不错)，并设计了一个基于神经网络的短文对话响应机NRM(相当于机器对话)，训练数据是通过微博收集的大量一轮的对话。

　　首先获取数据，遵从经典的步骤，首先是删除无意义词如”wow”；筛除广告；只留前30个人的回复。

　　接下来转化的模型：

　　

　　主要是这个L很重要，要能够表示输入句子的特性，这里要用到注意力模型确定h中的哪一步分需要着重考虑。由输入数据和y1,y2,…yi-1决定。

　　解码用到下面的模型：

　　

　　虚线代表 g(.) ，实线代表 f(.)

 　　

　　编码方案提出了三种：

　　global scheme(NRM-glo)：

 

 简单定义       hT 为Ct

　　local scheme(NRM-loc)：

　　

    这里用到了注意力模型(AM模型)，动态决定

 ，而

，

　　hybrid scheme combines the aforementioned 2(NRM-hyb)：

　　第一种全局的方法能抓住post的全局特征，而第二种局部的方法能倚靠AM模型选择不同位置的单词作为重要特征，因此第三种方法可以混合一下前两种方法。模型如下：

　　

　　实验证明检索式的方法效果和NRM-glo差不多，因为它基本使用的都是预定义的responses，不会有一些语法上的问题，同时匹配特征保证了responses和post的相关性，

因此从表面上看来这是最合适的回答，但是实际上它只是重复了post说的内容而已，而NRM-hyb结合了global和local的优点之后，performance明显好于其他方法。