上次说到了 智能推荐是怎麽做的，这次聊一下寒暄库的建设思路。

目前智能QA系统都是基于seq2seq模型来开发（如google），seq2seq模型基于one-hot的词嵌入，每个词用一个数字代替不足以表示词与词之间的关系，word2vec通过多维向量来做词嵌入，能够表示出词之间的关系，比如：男-女≈王子-公主。基于seq2seq的思想，利用多维词向量来实现模型，预期会有更高的准确性。（~~说人话：就是把每个汉字按照一定的规则转换为一个多维矩阵表示，联系越紧密的词，在空间上距离越近，那么我们就可以得到各种近义词，如 高兴=开心 等）

 

so 为什么要基于seq2seq模型来做智能问答，其他模型不行吗？

 

答案 是yes。其他模型也可以完成一个比较好的QA模型，业界流行2大方法论：1、基于文法规则的NLP,2、基于统计学的NLP。只是这2种方式的实现的代价不一样。基于文法规则的来做NLP，优势是准确率会非常高，你想想，每个组词规则、每句话的主谓宾都给你标出来，这样的NLP如果做出来了是接近完美的；劣势也很明显，工作量太巨大，汉语光汉字就有几万个，组词规则会更多，很难做到完全统计，难以快速迭代应用。相反基于统计学的NLP（seq2seq是统计学模型），他的准确率未必会有前者高，但是他的兑现速度快，可以在实际应用过程不断迭代，提高准确率。这种方法的思路就是基于一批有限规模的语料库，做机器学习，让机器不断学习文法规则，以适用于某一特定领域，达到智能交互的目的。当前比较大厂商的QA都是基于第2中方法的思路来做，比如：京东、图灵、百度等。

 

接着谈什么是seq2seq,为什么在统计学的诸多模型中，要选用他？

 

在网上找的一个简洁的说明，主要参考《Sequence to Sequence Learning with Neural Networks》这篇论文，核心思想如下图：

ABC是输入语句，WXYZ是输出语句，EOS是标识一句话结束，图中的训练单元是lstm，lstm的特点是有长短时记忆，所以能够根据输入的多个字来确定后面的多个字，有关lstm的知识可以参考《http://deeplearning.net/tutorial/lstm.html》

上面的模型中编码器和解码器共用了同一个lstm层，也就是共享了参数，牛人们尝试把他们分开像https://github.com/farizrahman4u/seq2seq中提到的样子：

其中绿色是编码器，黄色是解码器，橙色的箭头传递的是lstm层的状态信息也就是记忆信息，编码器唯一传给解码器的就是这个状态信息

我们看到解码器每一时序的输入都是前一个时序的输出，从整体上来看就是：我通过不同时序输入“How are you <EOL>”，模型就能自动一个字一个字的输出“W I am fine <EOL>”，这里的W是一个特殊的标识，它既是编码器最后的输出，同时又是解码器的一个触发信号

那么我们训练的时候输入的X,Y应该是什么呢？X="How are you <EOL>"，Y="W I am fine <EOL>"?

这是不行的，因为在解码器还没有训练出靠谱的参数之前，我们无法保证第一个时序的输出就是“I”，那么传给第二个时序的输入就不一定是I，同样第三、四个时序的输入就无法保证是am和fine，那么是无法训练出想要的模型的

我们要这样来做：我们直接把解码器中每一时序的输入强制改为"W I am fine"，也就是把这部分从我们训练样本的输入X中传过来，而Y依然是预测输出的"W I am fine <EOL>"，这样训练出来的模型就是我们设计的编码器解码器模型了

那么在使用训练好的模型做预测的时候，我们改变处理方式：在解码时以前一时序的输出为输入做预测，这样就能输出我们希望输出的"W I am fine <EOL>"了

 

我们采用seq2seq模型的最主要原因就是模型拥有长时记忆能力，而且记忆能力可以根据我们的需求进行控制，这种特性在我们汉语处理中至关重要。有时候一句话的意思需要头和尾加在一起我们才能完全理解，这个道理同样适用机器。

 

下次再谈基于seq2seq模型怎么做寒暄库。经典模型代码

https://github.com/warmheartli/ChatBotCourse/blob/master/chatbotv2/my_seq2seq_v2.py

 

文献资料：

http://cn.arxiv.org/pdf/1409.3215.pdf