自然语言理解-从规则到深度学习

2021-12-21 05:16:17

1. 引言

自然语言理解是人工智能的核心难题之一，也是目前智能语音交互和人机对话的核心难题。*有如下描述[1]：

Natural language understanding (NLU) is a subtopic of natural language processing in artificial intelligence that deals with machine reading comprehension. NLU is considered an AI-hard problem.

对于AI-hard的解释如下：

In the field of artificial intelligence, the most difficult problems are informally known as AI-complete or AI-hard, implying that the difficulty of these computational problems is equivalent to that of solving the central artificial intelligence problem—making computers as intelligent as people, or strong AI.

简言之，什么时候自然语言能被机器很好的理解了，strong AI也就实现了~~

之前写过一篇文章自然语言理解，介绍了当时NLU的系统实现方案，感兴趣的可以再翻一番，里面介绍过的一些内容不再赘述。那篇文章写于2015年底，过去一年多，技术进展非常快，我们的算法也进行了大量升级，核心模块全部升级到深度学习方案。本文主要结合NUI平台中自然语言理解的具体实现，详细的、系统的介绍意图分类和属性抽取两个核心算法。如下图所示，第一个框中是意图分类，第二个框中是属性抽取。

对于整个NUI平台的介绍可以参考孙健/千诀写的从“连接”到“交互”—阿里巴巴智能对话交互实践及思考。

2. 自然语言理解的难点

为什么自然语言理解很难？本质原因是语言本身的复杂性。自然语言尤其是智能语音交互中的自然语言，有如下的5个难点：

1. 语言的多样性

一方面，自然语言不完全是有规律的，有一定规律，也有很多例外；另一方面，自然语言是可以组合的，字到词，词到短语，短语到从句、句子，句子到篇章，这种组合性使得语言可以表达复杂的意思。以上两方面共同导致了语言的多样性，即同一个意思可以有多种不同的表达方式，比如：

我要听大王叫我来巡山
给我播大王叫我来巡山
我想听歌大王叫我来巡山
放首大王叫我来巡山
给唱一首大王叫我来巡山
放音乐大王叫我来巡山
放首歌大王叫我来巡山
给大爷来首大王叫我来巡山

2. 语言的歧义性

在缺少语境约束的情况下，语言有很大的歧义性，比如：

我要去拉萨
- 火车票？
- 飞机票？
- 音乐？
- 还是查找景点？

3. 语言的鲁棒性

语言在输入的过程中，尤其是通过语音识别转录过来的文本，会存在多字、少字、错字、噪音等等问题，比如：

错字
- 大王叫我来新山
多字
- 大王叫让我来巡山
少字
- 大王叫我巡山
别称
- 熊大熊二（指熊出没）
不连贯
- 我要看那个恩花千骨
噪音
- 全家只有大王叫我去巡山咯

4. 语言的知识依赖

语言是对世界的符号化描述，语言天然连接着世界知识，比如：

大鸭梨
- 除了表示水果，还可以表示餐厅名
七天
- 除了表示时间，还可以表示酒店名
总参
- 除了表示总参谋部，还可以表示餐厅名
天气预报
- 还是一首歌名
晚安
- 这也是一首歌名

5. 语言的上下文

上下文的概念包括很多内容，比如：

对话上下文
设备上下文
应用上下文
用户画像
...

U：买张火车票

A：请问你要去哪里？
U：宁夏

这里的宁夏是指地理上的宁夏自治区

U：来首歌听

A：请问你想听什么歌？
U：宁夏

这里的宁夏是指歌曲宁夏

3. 意图分类的实现方法

意图分类是一种文本分类。主要的方法有：

基于规则（rule-based）
- CFG
- JSGF
- ……
传统机器学习方法
- SVM
- ME
- ……
深度学习方法
- CNN
- RNN/LSTM
- ……

3.1 基于规则的方法

这里重点介绍基于CFG的方法[2]，该方法最早出现于CMU Phoenix System中，以下是一个飞机票领域的示例：

按照上面的文法，对于“从北京去杭州的飞机票”，可以展成如下的树：

3.2 基于传统统计的方法

我们在第一版的系统中，采用的基于SVM的方法，在特征工程上做了很多工作。第二版中切换到深度学习模型后，效果有很大提升，此处略过，直接介绍深度学习方法。

3.3 基于深度学习的方法

深度学习有两种典型的网络结构：

CNN（卷积神经网络）
RNN（循环神经网络）

基于这两种基本的网络结构，又可以衍生出多种变形。我们实验了以下几种典型的网络结构：

CNN [3]
LSTM [4]
RCNN [5]
C-LSTM [6]

从实验结果来看，简单的CNN的效果最好，其网络结构如下：

单纯的CNN分类效果无法超越复杂特征工程的SVM分类器，尤其是在像音乐、视频等大量依赖世界知识的领域中。比如怎么把如下的世界知识融入到网络中去：

这背后更大的背景是，深度学习在取得巨大成功后，慢慢开始显露出瓶颈，比如如何表示知识、存储知识，如何推理等。其中一个探索方向就是试图把联结主义和符号主义进行融合。纯粹的基于联结主义的神经网络的输入是distributed representation，把基于符号主义的symbolic representation融合到网络中，可以大大提高效果，比如：

4. 属性抽取的实现方法

属性抽取问题可以抽象为一个序列标注问题，如下例：

基于规则（rule-based）
- Lexicon-based
- CFG
- JSGF
- ……
传统机器学习方法
- HMM
- CRF
- ……
深度学习方法
- RNN/LSTM
- ……

4.1 基于规则的方法

这里主要介绍基于JSGF（JSpeech Grammar Format）的方法：

JSGF is a BNF-style, platform-independent, and vendor-independent textual representation of grammars for use in speech recognition.

其基本的符号及其含义如下：

<>，非终结符
|，or
[], 可选项
()，分组
*，零个或多个
{}, 标签

比如对于如下的示例：

public <controlDevice> = <startPolite> <command> <endPolite>;

<command> = <action> <object>;
<action> = (打开|关闭);
<object> = [这个|那个](空调|加湿器|音箱){device};
<startPolite> = (请|帮 我) *;
<endPolite> = [啊|吧];

可以展开成图：

对于“帮我打开空调”，其在图中的匹配路径如下：

匹配到这条路径后，可以根据标签，把“空调”抽取到device这个属性槽上。

4.2 基于传统统计的方法

经典算法为CRF，略过。

4.3 基于深度学习的方.

用于序列标注的深度学习模型主要有[7]：

RNN
LSTM
Bi-LSTM
Bi-LSTM-Viterbi
Bi-LSTM-CRF

也有一些多任务联合训练的模型，比如[8]、[9]。

在我们的系统中，采用的是Bi-LSTM-CRF模型：

同样的，在input上，将distributed representation和symbolic representation做了融合。

5. 小结

在实际的系统中，基于规则的方法和基于深度学习的方法并存。基于规则的方法主要用来快速解决问题，比如一些需要快速干预的BUG；基于深度学习的方法是系统的核心。

参考文献

[1] https://en.wikipedia.org/wiki/Natural_language_understanding
[2] Ward & Issar, CMU Phoenix System, 1996
[3] Yoon Kim, Neural Networks for Sentence Classification, EMNLP, 2014
[4] Suman Ravuri and Andreas Stolcke, Recurrent Neural Network and LSTM Models for Lexical Utterance Classification, InterSpecch, 2015
[5] Siwei Lai, Liheng Xu, Kang Liu, Jun Zhao, Recurrent Convolutional Neural Networks for Text Classification, AAAI, 2015
[6] Chunting Zhou, Chonglin Sun, Zhiyuan Liu, Francis C.M. Lau, A C-LSTM Neural Network for Text Classification, arXiv, 2015
[7] Grégoire Mesnil, et. al, Using Recurrent Neural Networks for Slot Filling in Spoken Language Understanding, TASLP, 2015
[8] Xiaodong Zhang, HoufengWang, A Joint Model of Intent Determination and Slot Filling for Spoken Language Understanding, IJCAI, 2016
[9] Bing Liu, Ian Lane, Joint Online Spoken Language Understanding and Language Modeling with Recurrent Neural Networks, arxiv, 2016

码农公寓