ocr中文数据集_好的数据集能让生成的对话配的上你的才华-------知识驱动的中文多轮对话数据集KdConv...

在开放领域对话系统中，由于缺少包含知识标注、涵盖多个话题的多轮对话语料的支撑，知识驱动对话中的知识交互的研究受到了一定的限制。如可以在多轮对话中有效的对知识的交互进行建模，则可以极大地提升对话系统的逻辑性，信息量，可解释性等智能化程度，从而带来更好的用户体验。

在本次分享中，讲者将介绍一个最新构造的知识驱动的中文多轮对话数据集KdConv，并分析知识建模在对话系统中的应用。

---

一、介绍

a)研究背景

背景知识对对话系统至关重要，有两大类主要应用：1) 搜索和问答类型的场景；2) 自然语言理解类的场景。

• 对于任务导向对话系统，背景知识一般被定义为槽值对，为问答和推荐提供了必要的信息；
• 对于开放域对话系统，它有助于生成更具有信息量和吸引力的回复；
• 从形态上来说，背景知识可以划分成结构化知识图谱或非结构化文本。

现有的带有外部知识的开放域对话语料中，根据收集方式的不同，大致可以分为两个类别：

• 利用现有的对话数据集，根据上下文标注相关的外部知识：
  ▪常用的标注方法有：命名实体识别（NER），字符串匹配，人工评分和规则过滤等；
  ▪但是也有缺点，不匹配的知识会为数据集带来噪音，不利于模型的训练；
• 基于给定的背景知识，由人类标注者从头开始构造对话数据集：
  ▪有些语料可能缺少轮次级别的标注；
  ▪对话内容局限于1-2个给定的话题，或缺少话题之间的关系：限制了对多样化的话题转移和知识规划的建模。

b)研究动机

• 当前带有知识标注的涵盖多个话题的对话数据集有所欠缺；
• 对于进一步的知识交互的建模方面（例如话题转移和知识规划），现有的基于知识的对话数据集存在局限性

二、调研部分

a)与现有的基于知识的对话数据集进行对比

可以看到，KdConv中的知识形式包含了非结构化的文本和结构化的图谱，并提供了轮次级别的知识标注。语料涵盖三个领域（电影，音乐和旅游），可以用于领域迁移的研究。KdConv中的对话的平均轮次为19.0，每段对话平均涉及话题数量2.3个。

b)KdConv样例数据

一个音乐领域的数据样例。左侧为对话内容，斜体内容为话题，下划线内容则为背景知识。右侧展示了精细的知识标注，既包含了结构化的知识（如飞得更高-发行日期-2005年3月19日等），也包含了非结构化的知识（如information一行）。

在上述对话所使用的知识三元组构成的知识图谱中，斜体文本和圆圈表示话题（指知识三元组中不同的头实体），该图谱还体现了话题转移的过程。

三、数据构造

a)领域相关的知识图谱

构建知识图谱的过程：

1.从几个相关的网站（豆瓣、去哪儿等）中爬取热门实体，如电影和电影明星、音乐和歌手以及景点，将其作为起始实体，以减少特定领域知识的范围；

2.在XLORE（一个大型英汉双语知识图谱）中过滤知识三元组很少的起始实体；

3.以起始实体作为起点，在XLORE的三跳范围中检索其邻居实体，以支持对话能够进行合理的话题转移；

• 对于旅游领域，由于XLORE中有关起始实体的知识三元组较少，该领域的知识图谱仅从网站上爬取。这也导致了旅游领域的知识图谱的统计特征与其他领域有所差别。

4.将这些实体和关系整合为领域相关的知识图谱。

从下面的统计信息来看，电影领域无论是实体数量，关系数还是三元组数量都是最多的。旅游领域则由于仅基于网站爬取，关系数和三元组都较少。

b)构建对话数集

1.在众包平台上，招募标注者，在无特定目标和约束的情况下生成多轮对话；

2.在对话过程中，两个发言者都可以访问知识图谱；

3.要求标注人员记录构造发言所用的相关的知识三元组，以提供轮次级别的知识标注；

4.指示标注人员从起始实体开始对话，并鼓励他们将对话的话题转移到其他实体；

5.过滤掉低质量的对话，例如包含语法错误、对话内容与知识事实不一致等，以保证对话数据的质量。

c)统计指标

三个领域各自收集了1500个对话，数据集按照8:1:1切分为训练集、开发集和测试集。从对话的轮次数与对话所涉及的话题数来看，电影领域的对话与音乐、旅游领域存在明显不同。从对话数据中包含的实体数、三元组数目来看，三个领域也存在较大差别。

上图表示在前n个回合中讨论了至少k (k = 2, 3, 4) 个主题的对话数量统计。随着对话轮次的增长，包含3个或4个主题的对话比例会变大。

这验证了深入讨论多个话题通常需要足够多的对话轮次，因为简短的对话通常不足以涵盖多个话题，更难以产生话题之间的自然过渡。

上面的表格显示了电影领域的1跳、2跳、3跳范围内，各自频次最高的三种话题转移模式，其中Tn表示对话的第n个主题，Tn →X→Tn + 1表示Tn经由关系X跳转到Tn + 1。可以看到KdConv中话题转移的模式多样而复杂。“−Information→”则表示Tn + 1出现在了有关Tn的非结构化知识文本中，而经由知识文本跳转话题的模式出现得相对更少，表明比起非结构化文本，人们更倾向于基于结构化关系转移话题。

四、实验部分

a)实验所用基准模型

包含了三个基于生成的模型，一个基于检索的模型，以及通过键值存储模块进行知识增强的模型。

基于生成的模型：

1.Language Model：建模对话内容的语言模型；

2.Seq2Seq：带注意力机制的序列到序列模型；

3.HRED：带有层次化结构的Seq2Seq模型。

基于检索的模型：BERT，训练任务是在给定上下文的情况下预测候选回复是否是真实回复。

通过键值存储模块进行知识增强：将头实体和关系作为键、尾实体作为值，在上述模型中引入对话相关的知识图谱以利用知识信息。

工具：CoTK

一种开源工具包，用于语言生成模型的快速开发和公平测评，包含了当前主流的语言生成任务的评价方法。

Paper: https://arxiv.org/abs/2002.00583

GitHub: https://github.com/thu-coai/cotk

b)评价

（1）自动评价

生成模型和检索模型的最佳结果分别用粗体和下划线标出。“+know”表示知识增强的模型。

实验结果表明，模型可以通过引入背景知识来增强性能，但多轮对话中的知识建模仍有很大的研究空间。

结果还显示，各个模型的性能以及知识增强的效果在不同领域之间差别较大，说明迁移学习和领域转换方面同样值得进一步研究。

（2）人工评估：

指标（0-2分制）：

• 流利度：回复是否流畅自然；
• 连贯性：回复是否与上下文及背景知识相关、一致；

评价方式：

• 每个领域500个样本，3个标注者对样本打分，打分结果如上图所示；
• 从标注一致性的角度来看，Fleiss卡帕值：在0.37到0.74之间
• 3个标注者打分相同的比例：在68.14％至81.33％之间

从结果来看，融入知识图谱的信息后，HRED模型获得了一定的性能提升。

c)案例分析

上图包含了旅游领域和电影领域的两个案例，融入知识图谱信息后，模型生成的对话能够更有效地利用知识，但仍然不能有效处理需要利用非结构化文本构建回复的场景。

五、结论

• 本工作提出一个知识驱动的中文多领域对话数据集：KdConv。该语料库包含4.5K个对话和86K条语句，平均对话轮数为19.0；
• 实验表明，通过引入背景知识，基准模型的性能可以获得一定的提升，但对话中的知识交互建模在未来的工作中仍然有很大的研究空间。

竞赛：

SMP2020-ECDT（中文人机对话技术评测，任务2）

---

整理：闫昊
审稿：郑楚杰