本文主要介紹深度強(qiáng)化學(xué)習(xí)在任務(wù)型對話上的應(yīng)用，兩者的結(jié)合點(diǎn)主要是將深度強(qiáng)化學(xué)習(xí)應(yīng)用于任務(wù)型對話的策略學(xué)習(xí)上
來源：騰訊技術(shù)工程微信號

背景

本文主要介紹深度強(qiáng)化學(xué)習(xí)在任務(wù)型對話上的應(yīng)用，兩者的結(jié)合點(diǎn)主要是將深度強(qiáng)化學(xué)習(xí)應(yīng)用于任務(wù)型對話的策略學(xué)習(xí)上，目前工業(yè)界普遍使用的策略都是基于規(guī)則的，顯然基于規(guī)則的方法有人力成本高、泛化能力差等缺點(diǎn)，而強(qiáng)化學(xué)習(xí)恰好能解決這些問題，而且強(qiáng)化學(xué)習(xí)只需要一些目標(biāo)，無需大量的訓(xùn)練語料，避免了深度學(xué)習(xí)的一大缺點(diǎn)。

首先簡單介紹一下強(qiáng)化學(xué)習(xí)和對話系統(tǒng)，然后再具體介紹一下深度強(qiáng)化學(xué)習(xí)在任務(wù)型對話中是怎么應(yīng)用的，最后給出訓(xùn)練的結(jié)果和總結(jié)。以下舉例部分都會以訂餐場景為準(zhǔn)。

強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)系統(tǒng)由智能體（Agent）、狀態(tài)（state）、獎賞（reward）、動作（action）和環(huán)境（Environment）五部分組成。

Agent：智能體是整個強(qiáng)化學(xué)習(xí)系統(tǒng)核心。它能夠感知環(huán)境的狀態(tài)（State），并且根據(jù)環(huán)境提供的獎勵信號（Reward），通過學(xué)習(xí)選擇一個合適的動作（Action），來最大化長期的Reward值。簡而言之，Agent就是根據(jù)環(huán)境提供的Reward作為反饋，學(xué)習(xí)一系列的環(huán)境狀態(tài)（State）到動作（Action）的映射，動作選擇的原則是最大化未來累積的Reward的概率。選擇的動作不僅影響當(dāng)前時刻的Reward，還會影響下一時刻甚至未來的Reward，因此，Agent在學(xué)習(xí)過程中的基本規(guī)則是：如果某個動作（Action）帶來了環(huán)境的正回報（Reward），那么這一動作會被加強(qiáng)，反之則會逐漸削弱，類似于物理學(xué)中條件反射原理。

Environment：環(huán)境會接收Agent執(zhí)行的一系列的動作（Action），并且對這一系列的動作的好壞進(jìn)行評價，并轉(zhuǎn)換成一種可量化的（標(biāo)量信號）Reward反饋給Agent，而不會告訴Agent應(yīng)該如何去學(xué)習(xí)動作。Agent只能靠自己的歷史（History）經(jīng)歷去學(xué)習(xí)。同時，環(huán)境還像Agent提供它所處的狀態(tài)（State）信息。

Reward：環(huán)境提供給Agent的一個可量化的標(biāo)量反饋信號，用于評價Agent在某一個時間步所做action的好壞。強(qiáng)化學(xué)習(xí)就是基于一種最大化累計獎賞假設(shè)：強(qiáng)化學(xué)習(xí)中，Agent進(jìn)行一系列的動作選擇的目標(biāo)是最大化未來的累計獎賞。

State：狀態(tài)指Agent所處的環(huán)境信息，包含了智能體用于進(jìn)行Action選擇的所有信息，它是歷史（History）的一個函數(shù)：St = f（Ht）。

可見，強(qiáng)化學(xué)習(xí)的主體是Agent和環(huán)境Environment。Agent為了適應(yīng)環(huán)境，做出的一系列的動作，使最終的獎勵最高，同時在此過程中更新特定的參數(shù)。實(shí)際上可以把強(qiáng)化學(xué)習(xí)簡單理解成是一種循環(huán)，具體的工作方式如下：

智能體從環(huán)境中獲取一個狀態(tài)St；

智能體根據(jù)狀態(tài)St采取一個動作at；

受到at的影響，環(huán)境發(fā)生變化，轉(zhuǎn)換到新的狀態(tài)St+1；

環(huán)境反饋給智能體一個獎勵（正向?yàn)楠剟?，?fù)向則為懲罰）。

對話系統(tǒng)

對話系統(tǒng)是為了某種目的設(shè)計的用以與人類對話的機(jī)器，這種目的可以是為了特定的任務(wù)，也可以是簡單的與人聊天，前者就是任務(wù)型對話，后者為非任務(wù)型對話系統(tǒng)。

任務(wù)型的對話主要為了一個特定的目標(biāo)進(jìn)行對話，比如常見的訂飛機(jī)票、訂餐等。對于任務(wù)型對話工業(yè)界主要實(shí)現(xiàn)方案還是為pipeline的方式，即按照SLU、DST、DPL和NLG的方式組織整個對話系統(tǒng)，在學(xué)術(shù)界上end-to-end的方式也越來越受到關(guān)注，與pipeline不同，end-to-end模型使用一個模塊，并與結(jié)構(gòu)化的外部數(shù)據(jù)庫交互。

非任務(wù)型的對話則類似于微軟小冰和人進(jìn)行一些聊天。非任務(wù)型的對話主流實(shí)現(xiàn)方案有兩種：生成式和檢索式。隨著seq2seq模型的越來越成熟，生成式方案也越來越受到關(guān)注，這種方法是把對話任務(wù)看成是一種翻譯任務(wù)，認(rèn)為Q（人說的話）和A（機(jī)器的回復(fù)）是兩種語言。檢索式則是系統(tǒng)有很多訓(xùn)練數(shù)據(jù)，其中包括擴(kuò)展問題（每個問題都對應(yīng)一個標(biāo)準(zhǔn)問）、答案（每個標(biāo)準(zhǔn)問對應(yīng)一個答案），當(dāng)用戶說一句話時，則系統(tǒng)用這句話作為query在訓(xùn)練集中進(jìn)行檢索和排序得到匹配的問題，最后根據(jù)這個問題的標(biāo)準(zhǔn)問查詢答案。當(dāng)然也有這兩種方式的結(jié)合，即使用生成式生成候選的答案，再使用檢索式進(jìn)行匹配和排序得到精準(zhǔn)回答。

DQN+任務(wù)型對話

DQN

Q-learning是強(qiáng)化學(xué)習(xí)中的一種，在Q-learning中，我們維護(hù)一張Q值表，表的維數(shù)為：狀態(tài)數(shù)S * 動作數(shù)A，表中每個數(shù)代表在態(tài)s下可以采用動作a可以獲得的未來收益的折現(xiàn)和——Q值。我們不斷的迭代我們的Q值表使其最終收斂，然后根據(jù)Q值表我們就可以在每個狀態(tài)下選取一個最優(yōu)策略。由于這里主要介紹強(qiáng)化學(xué)習(xí)的在任務(wù)型對話中的應(yīng)用，不進(jìn)行詳細(xì)的介紹，具體的可參照《極簡Qlearning教程》

DQN是深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)的結(jié)合，即使用神經(jīng)網(wǎng)絡(luò)代替Q-learning中Q表。在普通的Q-learning中，當(dāng)狀態(tài)和動作空間是離散且維數(shù)不高時可使用Q-Table儲存每個狀態(tài)動作對的Q值，但是當(dāng)狀態(tài)和動作空間是高維或者連續(xù)時，使用Q-Table不現(xiàn)實(shí)，而神經(jīng)網(wǎng)絡(luò)恰好擅長于此。因此將Q-Table的更新問題變成一個函數(shù)擬合問題，相近的狀態(tài)得到相近的輸出動作。具體來說，比如我們現(xiàn)在還有一個Q值表，神經(jīng)網(wǎng)絡(luò)的作用就是給定一個狀態(tài)s和動作a，預(yù)測對應(yīng)的Q值，使得神經(jīng)網(wǎng)絡(luò)的結(jié)果與Q表中的值接近。不過DQN的方式肯定不能繼續(xù)維護(hù)一個Q表，所以將上次反饋的獎勵作為逼近的目標(biāo)，如下式，通過更新參數(shù) θ 使Q函數(shù)逼近最優(yōu)Q值 。因此，DQN就是要設(shè)計一個神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過函數(shù)來擬合Q值，即：

當(dāng)然這也會帶來一些問題：

神經(jīng)網(wǎng)絡(luò)需要大量帶標(biāo)簽的樣本進(jìn)行監(jiān)督學(xué)習(xí)，但是強(qiáng)化學(xué)習(xí)只有reward返回值，如何構(gòu)造有監(jiān)督的數(shù)據(jù)成為第一個問題，而且伴隨著噪聲、延遲（過了幾十毫秒才返回）、稀疏（很多State的reward是0）等問題；

神經(jīng)網(wǎng)絡(luò)的前提是樣本獨(dú)立同分布，而強(qiáng)化學(xué)習(xí)前后state狀態(tài)和反饋有依賴關(guān)系——馬爾科夫決策；

神經(jīng)網(wǎng)絡(luò)的目標(biāo)分布固定，但是強(qiáng)化學(xué)習(xí)的分布一直變化，比如你玩一個游戲，一個關(guān)卡和下一個關(guān)卡的狀態(tài)分布是不同的，所以訓(xùn)練好了前一個關(guān)卡，下一個關(guān)卡又要重新訓(xùn)練；

過往的研究表明，使用非線性網(wǎng)絡(luò)表示值函數(shù)時出現(xiàn)不穩(wěn)定等問題。

針對以上問題的具體解決方案如下：

構(gòu)造標(biāo)簽：通過Q-Learning使用reward來構(gòu)造標(biāo)簽（對應(yīng)問題1），如上所述，用神經(jīng)網(wǎng)絡(luò)來預(yù)測reward，將問題轉(zhuǎn)化為一個回歸問題；

經(jīng)驗(yàn)回放：通過experience replay（經(jīng)驗(yàn)池）的方法來解決相關(guān)性及非靜態(tài)分布問題（對應(yīng)問題2、3）；

雙網(wǎng)絡(luò)結(jié)構(gòu)：使用一個神經(jīng)網(wǎng)絡(luò)產(chǎn)生當(dāng)前Q值，使用另外一個神經(jīng)網(wǎng)絡(luò)產(chǎn)生Target Q值（對應(yīng)問題4）。

構(gòu)造標(biāo)簽

對于函數(shù)優(yōu)化問題，監(jiān)督學(xué)習(xí)的一般方法是先確定Loss Function，然后求梯度，使用隨機(jī)梯度下降等方法更新參數(shù)。DQN則基于Q-Learning來確定Loss Function。我們想要使q-target值和q-eval值相差越小越好。DQN中的損失函數(shù)是：

這里yi先可以認(rèn)為是狀態(tài)s和動作a對應(yīng)的標(biāo)準(zhǔn)Q值，實(shí)際根據(jù)后面的雙網(wǎng)絡(luò)結(jié)構(gòu)，yi是根據(jù)上一個迭代周期或者說target-net網(wǎng)絡(luò)的參數(shù)計算出的q-target值，跟當(dāng)前網(wǎng)絡(luò)結(jié)構(gòu)中的參數(shù)無關(guān)，yi的計算如下，然后整個目標(biāo)函數(shù)就可以通過隨機(jī)梯度下降方法來進(jìn)行優(yōu)化

經(jīng)驗(yàn)回放

經(jīng)驗(yàn)池的功能主要是解決相關(guān)性及非靜態(tài)分布問題。具體做法是把每個時間步agent與環(huán)境交互得到的轉(zhuǎn)移樣本 (st, at, rt, st+1) 儲存到回放記憶單元，要訓(xùn)練時就隨機(jī)拿出一些（minibatch）來訓(xùn)練。（其實(shí)就是將對話的過程打成碎片存儲，訓(xùn)練時隨機(jī)抽取就避免了相關(guān)性問題），上面的代碼是將每次神經(jīng)網(wǎng)絡(luò)預(yù)測的結(jié)果保存在經(jīng)驗(yàn)池中，下面則是在每次訓(xùn)練的時候從經(jīng)驗(yàn)池中隨機(jī)取出一個batch進(jìn)行訓(xùn)練。

雙網(wǎng)絡(luò)結(jié)構(gòu)

雙網(wǎng)絡(luò)結(jié)構(gòu)即構(gòu)建兩個神經(jīng)網(wǎng)絡(luò)：target_net和eval_net，eval_net用來進(jìn)行參數(shù)訓(xùn)練和預(yù)測Q值，而target_net是eval_net的一個副本，這個網(wǎng)絡(luò)使用來預(yù)測目標(biāo)Q值（構(gòu)造標(biāo)簽中的yi），相當(dāng)于監(jiān)督訓(xùn)練中的label。target_net是每隔一定時間更新為eval_net的參數(shù)，這樣在一段時間里目標(biāo)Q值使保持不變的，一定程度降低了當(dāng)前Q值和目標(biāo)Q值的相關(guān)性，提高了算法穩(wěn)定性。

任務(wù)型對話

任務(wù)型對話的主要目標(biāo)是完成一個任務(wù)如訂餐、訂票等，在這種場景下僅僅給用戶一個回答是遠(yuǎn)遠(yuǎn)不夠的，還需要真正的理解一個用戶的意圖，以及這個意圖相關(guān)的信息，如果一個用戶想訂餐，那么需要知道用戶的就餐具體日期、用餐人數(shù)等等，所以就需要進(jìn)行槽提取等等，同時還需要關(guān)注當(dāng)前的獲取的信息量以及未獲取的信息等。

SLU：語言理解，把用戶的自然語言表述的文本處理成預(yù)先設(shè)計好的機(jī)器能夠理解的形式，通常為意圖和槽值對。如用戶輸入“我想訂一個明天的位子”，則SLU的輸出應(yīng)該是intent=訂餐，slot=date：明天（實(shí)際中提取出的槽值需要做標(biāo)準(zhǔn)化處理）。這個部分意圖識別可作為分類任務(wù)或者檢索任務(wù)，而槽提取一般可用作為NER問題。

DST：對話狀態(tài)跟蹤，根據(jù)對話歷史管理每一輪對話的輸入，并且預(yù)測當(dāng)前對話的狀態(tài)。比如使用規(guī)則的方法：有哪些槽已經(jīng)填充，哪些未填充等、哪些已經(jīng)問過usr、問過多少次等等。

DPL，對話策略學(xué)習(xí)，根據(jù)當(dāng)前對話狀態(tài)做出下一步的反應(yīng)。比如根據(jù)DST知道有哪些槽未填充，用規(guī)則的方法選取一個優(yōu)先級最高的槽提問。DPL的任務(wù)是一個序列決策的過程，因此常用的方法有規(guī)則方法、CRF，以及本文的重點(diǎn)：強(qiáng)化學(xué)習(xí)方法。

NLG，自然語言生成，根據(jù)系統(tǒng)得到的動作生成客戶易理解的自然語言文本。這個很容易理解，如果DPL的動作是問用戶就餐人數(shù)，在系統(tǒng)里面可能是類似request{“num”：“UNK”}，NLG的作用就是把這個轉(zhuǎn)換成“請問有幾個人就餐呢”。

應(yīng)用

將強(qiáng)化學(xué)習(xí)應(yīng)用于任務(wù)型對話的主要是把強(qiáng)化學(xué)習(xí)應(yīng)用于DPL學(xué)習(xí)對話的動作決策，即強(qiáng)化學(xué)習(xí)中的Action對應(yīng)于對話中的下一步動作，比如是回答用戶的某個問題還是問用戶下一個槽相關(guān)的問題等等。用強(qiáng)化學(xué)習(xí)的一個好處就是不需要訓(xùn)練數(shù)據(jù)，因?yàn)橛?xùn)練過程中只需要Simulator根據(jù)設(shè)置的goal進(jìn)行回答和提問就可以了。實(shí)際應(yīng)用中將DM作為強(qiáng)化學(xué)習(xí)中的Agent，反饋一些信息給用戶。DQN中的reward是根據(jù)對話的結(jié)果進(jìn)行提供，分為兩個階段，一個是在對話未完成的時候，每增加一輪對話就給一個-1的獎勵，另外就是在對話完成時，如果完成任務(wù)則給一個(max_turn-turn)的獎勵，否則獎勵為-(2* max_turn)。

另外，在訓(xùn)練強(qiáng)化學(xué)習(xí)的過程中，實(shí)際上并不需要用到SLU和NLG，在Agent和User Simulator之間只需要通過結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行交流，而不需要轉(zhuǎn)換成自然語言，比如：

表示“2019年2月18日和2019年2月19還有空位置”：

則表示“我想訂一個5人的位子，什么時間有空位子？”。

Simulator：模擬用戶行為，Simulator的主要做法就是針對Agent反饋的信息，結(jié)合自身的goal進(jìn)一步與Agent進(jìn)行交互，比如是回答Agent問題，還是進(jìn)行反問，是完成goal結(jié)束對話，還是拒絕。這相當(dāng)于使用的是規(guī)則的方式，不過也有使用模型的方式構(gòu)建一個world model來模型用戶。

Goal：任務(wù)的目標(biāo)，在訂餐任務(wù)中我們設(shè)置的目標(biāo)形式如下圖。強(qiáng)化學(xué)習(xí)能夠很好的應(yīng)用于任務(wù)型對話的一大原因就是這些goal本身并不需要人為一個個編寫，只需要根據(jù)業(yè)務(wù)需求根據(jù)各個槽完成生成即可，這就避免了大量的訓(xùn)練預(yù)料。

除了以上，還需要根據(jù)實(shí)際的情況虛構(gòu)一個數(shù)據(jù)庫以模擬實(shí)際使用中的數(shù)據(jù)查詢，如餐廳在某些條件下是不是有剩余位子等。

效果

成功率

獎勵

對話輪數(shù)

舉例（此處不考慮SLU和NLG，在真正訓(xùn)練過程中都是使用了結(jié)構(gòu)化的數(shù)據(jù)），假設(shè)我們的goal如下：

使用強(qiáng)化學(xué)習(xí)的的結(jié)果如下：

人工翻譯過來（其實(shí)就是基于模板方法的NLG）如下：

上面的結(jié)果還是很好的，與針對這個場景精心設(shè)計的規(guī)則的方法基本上能保持一致：

總結(jié)

可以加入額外懲罰和獎勵，加快收斂，比如上一章節(jié)中的效果是不加任何額外懲罰和獎勵，可以看出大概在5000個epoch的時候就已經(jīng)收斂，但是如果加入一些答非所問、回答重復(fù)問題等懲罰則不到1000個epoch就會收斂，另外加入這些懲罰和獎勵也會讓網(wǎng)絡(luò)朝著我們想要的方向進(jìn)行訓(xùn)練，得到更好的結(jié)果。

目前我們主要在訂餐的任務(wù)上進(jìn)行了試驗(yàn)，這個任務(wù)還比較簡單，需要找一個更為復(fù)雜的場景進(jìn)行驗(yàn)證。

訓(xùn)練過程中只是使用了slot是否填充等，對于已經(jīng)填充的slot未利用slot的值，對此需要進(jìn)一步探究slot的值對于DPL的決策是否有影響。

一旦在線上使用的槽的個數(shù)需要發(fā)生變化就必須重新進(jìn)行訓(xùn)練，非常耗時。

Goal和Simulator還是一種比較“僵硬”的做法，需要在實(shí)際線上的使用過程中不斷訓(xùn)練，這樣可以使得對話決策更智能更符合用戶預(yù)期。

更多騰訊AI相關(guān)技術(shù)干貨，請關(guān)注專欄騰訊技術(shù)工程

審核編輯 黃昊宇