人工智能現(xiàn)在的火熱程度大家有目共睹，凱文凱利在《必然》中預(yù)測未來時代的人工智能可能會重新定義人類的意義，但時下的人工智能發(fā)展水平顯然還沒有大家想象得那么美好，仍然需要我們不斷地探索。目前眾多研究人員正深耕其中，作為其中代表的聊天機器人（Chatbot），已然成為科研界研究的熱點。

　　通常來說聊天機器人實現(xiàn)方式有兩種：一種是基于生成式，即機器人“自己說話”，一個字一個字創(chuàng)作出回復(fù)語句來。另外一種是基于檢索式，即機器人“轉(zhuǎn)發(fā)”別人的話。從互聯(lián)網(wǎng)大家的話語中尋找到合適的回答予以轉(zhuǎn)發(fā)。

　　現(xiàn)有的生成結(jié)果由于技術(shù)所限，或多或少都存在語句不流暢的問題，但能夠做到“有問必答”偶爾還能蹦出“彩蛋”。檢索的模型一般流暢性方面無須擔(dān)心，不過隨著目前網(wǎng)絡(luò)資源的日益豐富，語料規(guī)模也越來越大，如何從眾多語句中選擇合適的句子作為回復(fù)是檢索式聊天機器人的核心問題。

　　雖然目前市場上的聊天機器人眾多，但我們見到的那些貌似都不是那么聰明。最直觀的一個體現(xiàn)就是前后不連貫，上下難銜接，因此在進行檢索的時候考慮歷史信息則顯得尤為重要。那么如何讓機器人理解對話歷史信息從而聰明地進行回復(fù)呢？微軟亞洲研究院的研究員們提出了一個模型Sequential Matching Network（SMN）。相關(guān)論文的作者吳俁談到“SMN模型可以讓聊天機器人準(zhǔn)確的理解當(dāng)前和用戶的對話歷史，并根據(jù)歷史給出最相關(guān)的回復(fù)，與用戶進行交流，達到人機對話的目的?！?/p>

　　但這在實現(xiàn)的過程中也遇到不少難點，“精準(zhǔn)計算聊天歷史和候選回復(fù)的語義相似度十分困難，主要的挑戰(zhàn)有兩個方面：

　　由于聊天歷史信息繁多，如何將歷史中重要的詞語、短語以及句子選擇出來，并通過這些重要部分刻畫聊天歷史，是一個亟待解決的問題；

　　如何對聊天歷史中的各輪對話進行建模，如何判斷對話歷史中的跳轉(zhuǎn)，順承等關(guān)系，也是一個棘手的問題?！?那么論文作者提出的SMN模型又是如何解決這兩個問題的呢，接下來我們將為您解讀。

　　圖1：SMN網(wǎng)絡(luò)架構(gòu)

　　SMN模型一共分為三層。第一層為信息匹配層，對之前的歷史信息和待回復(fù)的句子進行匹配度計算：同時進行詞語（embedding向量）和短語級別（GRU表示）的相似度計算。然后再把這兩個矩陣分別作為卷積神經(jīng)網(wǎng)絡(luò)的一個channel，利用CNN的max-pooling進行特征抽象，形成一個匹配向量。第二層為匹配積累層，利用一個GRU神經(jīng)網(wǎng)絡(luò)，將每一句話和回復(fù)所計算出的匹配信息進一步融合。第三層為匹配結(jié)果預(yù)測層，利用融合的匹配信息計算最終的匹配得分，在預(yù)測時他們使用三種策略，分別是只利用GRU2最后一個隱藏層（SMN_last），靜態(tài)加權(quán)隱藏層（SMN_static），和動態(tài)加權(quán)隱藏層（SMN_dynamic）。在進行檢索的時候，他們將最后一句的信息結(jié)合上文歷史信息中的5個關(guān)鍵詞（歷史信息中用tf-idf進行篩選，選擇Top5關(guān)鍵詞）在系統(tǒng)中進行檢索，然后用上述SMN網(wǎng)絡(luò)對候選結(jié)果打分從而選出回復(fù)句。

　　作者分別在Ubuntu語料（大型公開計算機相關(guān)求助與解答語料）和豆瓣語料（作者從豆瓣小組的公開信息中爬取并在論文中公布）上進行了實驗，分別以Rn@K和MAP、MRR、P@1為評價指標(biāo)，取得的結(jié)果均為目前最好。

　　作者表示“SMN不同以往的模型，第一步不進行上下文的建模學(xué)習(xí)，而是讓每句話和回復(fù)進行匹配度計算，這樣可以盡可能多的保留上下文的信息，以避免重要信息在學(xué)習(xí)上下文的向量表示時丟失。而且SMN在對上下文句子關(guān)系建模時，考慮了當(dāng)前回復(fù)的影響，使得回復(fù)成為一個監(jiān)督信號，這樣可以更準(zhǔn)確的對上下文歷史進行建模?！辈⑶覅莻R向我們透露“據(jù)我們所知，我們公布的豆瓣語料是第一個人工標(biāo)注的中文多輪對話語料?！?/p>

　　在談及目前的方法還有哪些不足之處時，作者表示“目前我們的檢索方式有時找不到正確的候選句，所以第一步的檢索方法還有待改善，另外雖然我們的模型可以建模當(dāng)前回復(fù)和歷史信息的關(guān)系，但還是無法避免一些邏輯上的問題，不過這也是我們未來工作的重點，我們將繼續(xù)提高候選回復(fù)在邏輯上的連貫性”，讓我們共同期待他們的未來工作。