您现在的位置是:主页 > 语言相关 >
动手做个DialoGPT:基于LM的生成式多轮对话模型
2021-01-05 17:50:57语言相关 94829人已围观
前段时间刷Arixv的时候,发现清华大学开源了一个大规模的中文闲聊语料库LCCC(论文链接,项目地址),从开源的文件上来看,这可能是目前开源的数量最大、质量最好的闲聊语料库了,而且还包含了部分多轮对话聊天,总的来说可玩性还是蛮强的。笔者也被它吸引到了,尝试着用它来训练了一个闲聊对话模型,结果看上去还是不错的,在此分享一下自己的经验。
语料简介 #
这里简单介绍一下LCCC这个数据集(Large-scale Cleaned Chinese Conversation),具体细节大家可以去Github上看,下载链接也在上面。LCCC分base和large两个版本,base主要是来源于微博对话,large则是在base的基础上融合了其他开源对话语料,按照作者的说法,LCCC经过了严格的清洗过程,所以整体质量看上去还是很不错的。
为了简化任务,所有样本都被处理成双人对话。下面是一些样本示例:
A: 等过年咱们回去买点兔头好好吃顿火锅
B: 太原就没看见有好吃的兔头
A: 我从虹桥给你带个回去那天瞅到一正宗的
B: 最爱你了
A: 那是必须A: 嗯嗯,我再等等!你现在在上海吧?上海风好像比南京还大呢,少出门吧
B: 对啊,我在家,没事儿。一定要小心啊!A: 我去年也去转了一圈,还碰见以前的体育老师了,合了个影
B: 哈哈我还去找高一时侯的英语老师没找到她刚好有事情没在学校~
A: 你也是真心找回忆了哦
B: 哈哈毕业了没去过想去看看啊
模型设计 #
知道了数据长什么样之后,我们接下来就要去设计模型了。显然,我们需要做的就是训练一个模型,预测下一个该回复什么。既然语料里包含了多轮对话,那么我们还要求这个模型支持多轮对话。考虑对话历史的最简单的方式,就是把直到当前句的所有历史对话都拼接成单句文本,来作为模型的输入信息了。
给定一些输入,预测一个输出,从形式上来看我们应该用Seq2Seq模型。直接用Seq2Seq其实问题也不大,但标准的Seq2Seq一般用于形式比较固定的输入输出,比如输入的文本长度应该是集中在某个范围内,不宜变化太大,但考虑多轮对话的话,理论上我们也不知道前面有多少轮对话,因此原则上输入文本长度是无限制的。用Seq2Seq的话还有训练效率低的问题,就是我们每轮对话每次我们只能训练一句回复,如果一个多轮对话有nn句回复,那么那么就要拆分为nn个样本来训练了。
因此,我们需要一个长度能相当自由地变化的、同时能预测整一个多轮对话的模型,实现这个需求的比较适当的选择就是单向语言模型(LM、GPT),做法如下图:
如图所示,我们选择当前主流的Transformer模型,按照BERT的常规输入格式,将每句对话用[SEP]拼接起来,然后就训练一个从左往右的单向语言模型。为了区分不同的说话角色,我们对不同的说话者用不同的Segment Id区分。此外,考虑到BERT和GPT都是用了绝对位置编码,可处理的文本长度存在一个上限,而对话轮数理论上是无限的,所以这里我们采用了相对位置编码的NEZHA作为基本结构,并使用NEZHA的预训练权重作为模型的初始化权重。
说白了,就是往NEZHA里边加入了下三角形式的Attention Mask,使其变为一个语言模型,相关介绍请参考《从语言模型到Seq2Seq:Transformer如戏,全靠Mask》。
训练细节 #
首先,给出笔者的参考实现以及训练好的模型:
代码基于bert4keras实现,基本结构是NEZHA Base。为了使得训练更加“平民化”,笔者只用了一张卡(22G的RTX)配合梯度累积来训练,显存不够大的读者可以缩小batch_size。开源的模型是用2×10?52×10?5的学习率、0.010.01的权重衰减率的Adam优化器进行训练的,训练了1000万步(20多天),单步batch_size为16,累积梯度步数为16,所以相当于以256的batch_size训练了62.5万步,最终的loss大概是2.83(平均每token的交叉熵)。
我们来测试一下我们的训练结果。
>>> print(chatbot.response([u"我最近天天吃火锅"]))
火锅好吃啊
>>> print(chatbot.response([u"我最近天天吃火锅"]))
我也是
>>> print(chatbot.response([u"我最近天天吃火锅"]))
哈哈哈哈哈哈我最近一周吃了两顿火锅
>>> print(chatbot.response([u"我最近天天吃火锅"]))
我也是,每次都吃的撑
>>> print(chatbot.response([u"我最近天天吃火锅"]))
吃火锅不长胖
>>> print(chatbot.response([u"我最近天天吃火锅"]))
火锅好啊
>>> print(chatbot.response([u"我最近天天吃火锅"]))
你们那边有这种火锅?
>>> print(chatbot.response([u"我最近天天吃火锅"]))
火锅好吃吗?我也想吃
>>> print(chatbot.response([u"我最近天天吃火锅"]))
吃吧,吃了就开心了
>>> print(chatbot.response([u"我最近天天吃火锅"]))
我也想天天吃火锅!
>>> print(chatbot.response([u"我最近天天吃火锅"]))
火锅吃不了多久的。>>> print(chatbot.response([u"你那天气好吗"]))
还好,不热,有点冷
>>> print(chatbot.response([u"你那天气好吗", u"还好,不热,有点冷", u"那你得穿多厚的衣服"]))
我穿了两件
对比分析 #
CDial-GPT也开源了自己训练的预训练模型,笔者也将它转换为bert4keras能加载的格式了(CDial-GPT-tf),读者也可以测试比对一下。从训练上来看,CDial-GPT使用pytorch实现的模型,基本结构是GPT Base,使用了4张2080Ti,总batch_size为32,累积梯度64步,论文说训练了30个epoch,总步数约2100万步(笔者的两倍),因此大概相当于batch_size为2048训练了33万步。
在输入设计上,CDial-GPT也有所不同,如下图:
如图所示,CDial-GPT跟我们前述设计的主要不同是多轮对话之间的拼接方式,我们之前是直接用[SEP]连接,它是用[speaker1]、[speaker2](图中简记为S1、S2)这样的角色标记来连接,最后才用一个[SEP]表示回复结束。这样一来,由于预测部分的格式跟历史的格式不一样,因此每次只能训练一句回复,多轮对话要拆分为多个样本来训练,理论上是增加了训练复杂性的(要训练多步才能把一个多轮对话样本训练完)。
至于效果上,个人测试的感觉是两者没什么明显差别。有兴趣的读者也可以自行比较测试。
文章总结 #
本文主要分享了一次对话模型实践,基于CDial-GPT开源的LCCC闲聊语料库,利用语言模型(GPT)对多轮对话进行生成式建模,得到了一个相对通用的闲聊对话模型,最后将本文的思路与CDial-GPT本身开源的模型进行了比较。
下一篇:Mysql优化学习笔记
随机图文
Content Generation - Creating articles, social media posts, or other content
I. 什么是内容生成? A. 定义 内容生成是指通过各种形式的媒介,如文章、社交媒体帖子、视频、图片等,创造有价值的内容,以吸引和保持受众的兴趣和关注。 B. 目的 内容生成的目的是为了吸引和保持受众的兴趣和关注,提高品牌知名度和忠诚度,增加网站流量和销售额。 C. 优点 内容生成的优点包括提高品牌知名度和忠诚度,增加网站流量和销售额,建立专业形象和声誉,增强与受众的互动和沟通。 I智能制造领域设备维护
I. 引言 在智能制造领域,设备维护一直是一个重要的挑战。传统的设备维护方式需要大量的人力和物力,而且容易出现误判和漏判的情况。随着人工智能技术的发展,大语言模型逐渐成为了解决设备维护难题的新方法。本文将介绍大语言模型的概念和应用,并探讨其在智能制造领域设备维护中的具体应用和未来发展趋势。 II. 大语言模型在设备维护中的应用 大语言模型是一种基于深度学习的自然语言处理技术,可以通过学习大量普氏野马数量恢复至400余匹 历史比大熊猫还悠久
内容加密大学生拒服兵役受罚:罚款 终身不得录为公务员
因此,一些比较重要的引流渠道,都少不了商家们的身影;比如,。抖音作为2019年的平台,有着3.2亿日活跃用户,属于是自带。如今,抖音与微信、微博等巨大流量池并称,绝对是商家不容错过的流量池。 拥有曝光,并不代表着是结束。恰恰相反,这只是开始,因为接下来的工作就是要引流变现了。目前,通过抖音引流的方式无非就只有这么几种:一是在视频内提及联系方式;二是在评论中回复;三是在
猜你喜欢
站点信息
- 文章统计: 442 篇文章
- 微信公众号:扫描二维码,关注我们