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，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。
论文名称：《A Large-Scale Chinese Short-Text Conversation Dataset》
论文链接：https://arxiv.org/abs/2008.03946
项目地址：https://github.com/thu-coai/CDial-GPT
1
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
2
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。
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n句回复，那么就要拆分为n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》[1]。
3
训练细节
首先，给出笔者的参考实现以及训练好的模型：
https://github.com/bojone/nezha_gpt_dialog
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 的学习率、0.01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（平均每个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
4
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[2]，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。
5
本文主要分享了一次对话模型实践，基于开源的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。
[1]《从语言模型到Seq2Seq：Transformer如戏，全靠Mask》: https://kexue.fm/archives/6933
[2] CDial-GPT-tf：https://github.com/bojone/CDial-GPT-tf
来源：oschina
链接：https://my.oschina.net/u/4381723/blog/4640682