在文章NLP入门实例推荐中提到，对话系统有两种形式：
基于检索的对话系统 模式：s1,s2–>R，即字符串s1和s2符合一定的规则。
基于生成的对话系统 模式：s1–>s2，即由字符串s1得到s2。

两者各有优势与不足。首先基于检索的对话系统，将回复使用的数据预先存储，那么优点就是回复的内容不会有语法和语义的错误，但因为不会像基于生成的对话系统那样创造出新的回答，因此也无法对未训练的问题作出回答。

本篇是聊天系统的第一篇文章，参考博客deep-learning-for-chatbots-part-1和deep-learning-for-chatbots-part-1，另外附上中文翻译。该博客是由WILDML所写，就是那个实现TextCNN的博主，因此以这篇文章入手对话系统，希望能在对话系统方向养成良好的代码风格和研究主线。

原文的github地址为tensorflow v0.9，有部分的函数已经更改。在实际的运行当中使用的TensorFlow的版本为v1.2，因此做了一些修改，并将修改后的代码上传到github地址，欢迎fork和start。按照以往的惯例，本篇文章依然分为数据处理、模型构建、模型训练、结果分析四部分。

数据处理

原文中使用Ubuntu对话数据集（论文来源 github地址）。这个数据集（Ubuntu Dialog Corpus, UDC）是目前最大的公开对话数据集之一，它是来自Ubuntu的IRC网络上的对话日志。这篇论文介绍了该数据集生成的具体细节。下面简单介绍一下数据的格式。

训练数据有1,000,000条实例，其中一半是正例（label为1），一半是负例（label为0，负例为随机生成）。每条实例包括一段上下文信息（context），即Query；和一段可能的回复内容（utterance），即Response；Label为1表示该Response确实是Query的回复，Label为0则表示不是。下面是数据示例：

数据集的生成使用了NLTK工具，包括分词、stemmed、lemmatized等文本预处理步骤；同时还使用了NER技术，将文本中的实体，如姓名、地点、组织、URL等替换成特殊字符。这些文本预处理并不是必须的，但是能够提升一些模型的性能。据统计，query的平均长度为86个word，而response的平均长度为17个word，更多的数据统计信息见Jupyter notebook。

数据集也包括了测试和验证集，但这两部分的数据和训练数据在格式上不太一样。在测试集和验证集中，对于每一条实例，有一个正例和九个负例数据（也称为干扰数据）。模型的目标在于给正例的得分尽可能的高，而给负例的得分尽可能的低。下面是数据示例：

模型的评测方式有很多种。其中最常用到的是recall@k，即经模型对候选的response排序后，前k个候选中存在正例数据（正确的那个）的占比；显然k值越大，该指标会越高，因为这对模型性能的要求越松。

在Ubuntu数据集中，负例数据都是随机生成的；然而在现实中，想要从全部的数据中随机生成负例是不可能的。谷歌的Smart Reply则使用了聚类技术，然后将每个类的中取一些作为负例，这样生成负例的方式显得更加合理（考虑了负例数据的多样性，同时减少时间开销）。

数据集的原始格式为csv格式，我们需要先将其转为TensorFlow专有的格式，这种格式的好处在于能够直接从输入文件中load tensors，并让TensorFlow来处理洗牌(shuffling)、批量(batching)和队列化(queuing)等操作。预处理中还包括创建一个字典库，将词进行标号，TFRecord文件将直接存储这些词的标号。

每个实例包括如下几个字段：

Query：表示为一串词标号的序列，如[231, 2190, 737, 0, 912]；
Query的长度；
Response：同样是一串词标号的序列；
Response的长度；
Label；
Distractor_[N]：表示负例干扰数据，仅在验证集和测试集中有，N的取值为0-8；
Distractor_[N]的长度；
数据预处理的Python脚本见这里，生成了3个文件：train.tfrecords, validation.tfrecords 和 test.tfrecords。你可以尝试自己运行程序，或者直接下载和使用预处理后的数据。

为了使用TensoFlow内置的训练和评测模块，我们需要创建一个输入函数：这个函数返回输入数据的batch。因为训练数据和测试数据的格式不同，我们需要创建不同的输入函数。输入函数需要返回批量(batch)的特征和标签值(如果有的话)。类似于如下：

def input_fn():  # TODO Load and preprocess data here  return batched_features, labels

• 1
• 2
• 3
  

因为我们需要在模型训练和评测过程中使用不同的输入函数，为了防止重复书写代码，我们创建一个包装器(wrapper)，名称为create_input_fn，针对不同的mode使用相应的code，如下：

def create_input_fn(mode, input_files, batch_size, num_epochs=None):  def input_fn():    # TODO Load and preprocess data here    return batched_features, labels  return input_fn

• 1
• 2
• 3
• 4
• 5
  

完整的code见udc_inputs.py。整体上，这个函数做了如下的事情：

(1) 定义了示例文件中的feature字段；
(2) 使用tf.TFRecordReader来读取input_files中的数据；
(3) 根据feature字段的定义对数据进行解析；
(4) 提取训练数据的标签；
(5) 产生批量化的训练数据；
(6) 返回批量的特征数据及对应标签；

模型构建

这篇博文将建立的NN模型为两层Encoder的LSTM模型（Dual Encoder LSTM Network），这种形式的网络被广泛应用在chatbot中（尽管可能效果并不是最佳的那个，你可以尽可能地尝试其他的NN模型）。seq2seq模型常用于机器翻译领域，并取得了较大的效果。使用Dual LSTM模型的原因在于这个模型被证明在这个数据集有较好的效果（详情见这里）,这可以作为我们后续模型效果的验证。

不管前方的路有多苦，
只要走的方向正确，
不管多么崎岖不平，
都比站在原地更接近幸福。

、加油加油