當我們提到對話機器人，你是否也會像我一樣立刻想起與Siri或者Alexa的一次次對話，雖然它們有時候可能會讓你啼笑皆非，但也無可否認它們確實為我們的生活帶來了很大便利。然而，訓練這樣的對話AI，其難點在于如何獲取高質量的對話數據。過去我們通常需要收集大量的人類對話作為訓練數據，這既費時又費力。那么，有沒有更好的方法呢？

偶然想起去年閱讀的一篇論文，介紹了一種對話補全的方案，非常有趣。今天就向大家介紹一種全新的方法——對話補全，它能幫我們把普通的文檔轉變成聊天記錄。讓我們一起探索這個顛覆傳統的技術，看看它如何打破界限，讓任何一篇文檔都能“說話”。

首先，讓我們看一下“對話補全”（inpainting）這個詞。它其實是從圖像處理那塊借用過來的，原意是指用周圍的像素信息來補全圖片中缺失或者損壞的部分。而在這篇論文里，我們可以理解為用已有的對話內容來推測和補全對話中缺失的部分。就好像我們在看一幅畫時，如果畫中有一部分缺失，我們就會想象這部分應該是什么樣的，以使畫看上去更完整。在對話補全中，我們也是這樣，利用已有的對話內容來猜測缺失的部分，讓整個對話聽起來更流暢、更完整。

下面我們來看看這個論文是怎么講的。

簡介

對話機器人需要大量的優質對話來進行訓練，但這種數據往往不太好找。因此，論文作者想出了一種新的方法，叫做"對話補全"，就是把普通的文章改編成像我們日常聊天一樣的對話。這樣一來，我們就能從各種各樣的文章中獲取大量的對話內容了。具體來說，就是把文章的每一句話看作一個人的發言，然后機器人就要猜測另一個人可能的回答或者提問。

訓練的部分

對話補全器（inpainting）使用的是一種叫做T5的生成模型，這是一種編碼器-解碼器的模型。這個模型的訓練方法跟我們之前見過的BERT模型有點類似，只不過有一個關鍵的不同：BERT是在句子中遮蔽單個的詞語來訓練模型，而在這里，我們是遮蔽掉整個發言來訓練模型。

舉個例子，考慮以下對話：

講話者1：“你好，你怎么樣？” 
講話者2：“我很好，謝謝你。你呢？” 
講話者1：“我也很好，謝謝你的關心。”

在對話補全任務中，可能會遮蔽一個完整的發言，像這樣：

講話者1：“你好，你怎么樣？” 
講話者2：？ 
講話者1：“我也很好，謝謝你的關心。”

模型的任務就是預測缺失的發言（在這個例子中，“我很好，謝謝你。你呢？”）。用于訓練的損失函數是標準的交叉熵損失，它的目標是最小化原始發言在部分對話給出的情況下的負對數概率。

推理階段

在推理階段，訓練好的補全模型被用來將一篇文章轉化為對話。假設我們有一篇這樣的文章：

“貓是小型的食肉哺乳動物。”
“它們經常被當作寵物。” 
“貓有強壯的柔韌體骼，反應快，爪子銳利且可以伸縮。”

這篇文章被視作在一個假設的對話中，作者的一系列發言。這個對話最初看起來像這樣：

作者：“貓是小型的食肉哺乳動物。” 
讀者：？ 
作者：“它們經常被當作寵物。”
讀者：？
作者：“貓有強壯的柔韌體骼，反應快，爪子銳利且可以伸縮。” 
讀者：？

問號代表對話中缺失的部分，這就是對話補全模型設計的目的，去填補這些缺失的部分。用了對話補全模型后，對話可能會變成這樣：

作者：“貓是小型的食肉哺乳動物。” 
讀者：“貓一般常在哪些地方出沒呢？” 
作者：“它們經常被當作寵物。” 
讀者：“貓有哪些特殊的身體特征呢？” 
作者：“貓有強壯的柔韌體骼，反應快，爪子銳利且可以伸縮。” 
讀者：“真有意思，你能再多介紹一些關于貓的行為習性嗎？”

文章和對話的例子

再讓我們看另一篇文章：

“大象是大型哺乳動物。” 
“它們有長長的鼻子。” 
“大象是食草動物。”

用了對話補全模型后，對話可能會變成這樣：

作者：“大象是大型哺乳動物。” 
讀者：“大象有哪些獨特的特征呢？” 
作者：“它們有長長的鼻子。” 
讀者：“大象平時都吃些什么？” 
作者：“大象是食草動物。” 
讀者：“真有趣，你能告訴我更多關于大象的棲息地信息嗎？”

總結

"對話補全"就像是給聊天記錄中的空白部分填充內容。它可以幫我們把普通的文章變成像人們日常對話一樣的聊天記錄。這對于訓練聊天機器人來說是個好方法，因為它能提供大量豐富、真實的對話內容。所以，這個技術可能會給聊天機器人的發展帶來很大的幫助。