如何向大模型注入知识？达摩院通义对话模型SPACE系列探索（1）

如何将人类先验知识低成本融入到预训练模型中一直是个难题。达摩院对话智能团队提出了一种基于半监督预训练的新训练方式，将对话领域的少量有标数据和海量无标数据一起进行预训练，从而把标注数据中蕴含的知识注入到预训练模型中去，打造了 SPACE 1/2/3 系列模型。

SPACE-1：注入对话策略知识，AAAI 2022 长文录用；

SPACE-2：注入对话理解知识，COLING 2022 长文录用，并获 best paper award 推荐；

SPACE-3：集对话理解 + 对话策略 + 对话生成于一体的模型， SIGIR 2022 长文录用。

达摩院对话大模型 SPACE-1/2/3 在 11 个国际对话数据集取得 SOTA。

图 1 SPACE 系列模型在 11 个国际对话数据集取得 SOTA，包含 Intent Prediction、Slot Filling、Dialog State Tracking、Semantic Parsing、End-to-End Generation 五大类对话任务

相关论文：

• SPACE-1: https://arxiv.org/abs/2111.14592
• SPACE-2: https://arxiv.org/abs/2209.06638
• SPACE-3: https://arxiv.org/abs/2209.06664
• 相关代码：https://github.com/AlibabaResearch/DAMO-ConvAI

1. 关于人机对话和预训练模型的简介

1.1. 什么是人机对话？

人机对话的终极目的是让机器（对话系统）和人类（用户）能像人和人一样进行自由的对话。通常来说，对话系统和人类的对话过程主要分为三个主要阶段，分别是对话理解（Understanding）、对话策略（Policy）和对话生成（Generation）。如下图所示，当用户说了一句 "查询水费"，对话系统首先要理解用户说的是什么意思（What do you say ?），然后要根据理解的结果，需要判断自己该如何去回答（How Shold I say ?)，第三步要通过自然语言的方式返回给用户（What should I say ?）。

图 2 人机对话系统简介

1.2. “无知识，不对话”

人机对话都是基于知识构建起来的，即“无知识，不对话”。目前的对话系统大概可以分为三个类别，包括对话、问答和闲聊。对话主要是指任务型对话，通过具体的业务流程知识来构建，围绕一个流程完成某个具体的任务；问答根据知识形态的不同，分为了很多种，比如基于知识图谱的问答（KBQA）、基于表格或者数据库的问答（TableQA）、基于文档的问答（DocQA）等；闲聊主要是利用一些开放域知识，完成与人类的聊天等。除此之外，所有的对话都可能会依赖人类标注的知识、世界知识和各种常识等。

图 3 无知识不对话，知识是对话系统的基础

举个例子，比如在办理汽车保险的场景中，相关的多轮对话受业务逻辑流程约束的：首先需要验证个人信息，然后系统调用验收报告，如果验收报告通过，接下来就要填写保单，最终完成保险的办理；如果验车不通过，需要反馈给用户原因，最终完成整个对话的流程。在这个例子中，对话流程体现的是业务流程知识；需要验证的个人信息包括姓名等，依赖于世界知识，比如姓名中的“弓长张木子李”；最后，这个项目如果想达到交付效果要求，还需要标注训练样本训练模型，这里面就包含人工标注知识。

1.3. 预训练对话模型

近些年来，预训练模型引爆了 NLP 的技术变革，比如 BERT[1]、GPT[2]、T5[3] 等。这些模型基于自监督的训练方式（MLM）在大规模无监督语料上进行学习，而其背后的本质是语言模型（Language Model），回答什么样的句子更像一个合理的句子。典型的预训练语言模型主要由三个主要组件构成 ：(1) 海量的自由文本作为输入 （2）利用 Transformer [4] 网络架构作为模型 （3）通过自监督的预训练目标 MLM 作为优化目标。

图 4 预训练语言模型及其组成

但是对话数据和普通文本数据有非常显著的差异，相比于普通的文本数据，对话作为语言的高级应用，至少有如下的特点：

1. 对话是口语化的，人在对话的时候表述随意，也不一定符合语法，可能存在噪音及 ASR 错误；
2. 对话是分角色多轮次的，至少有两个参与主题，轮次间存在省略、指代、状态继承等特点；
3. 对话都存在垂直的知识约束；
4. 对话需要深层语义理解，比如涉及到意图槽位，逻辑推理等；
5. 对话是讲究策略的，为了完成特定的任务目标，模型需要知道自己该如何决策。

直接利用预训练语言模型作为对话模型的基座存在天然的不适配，我们需要针对对话的数据及特点，设计独特的对话预训练模型，来增强对话系统的效果。从 2020 年开始，面向对话的专用预训练对话模型开始涌现。目前预训练对话模型的建模，基本按照对话理解和对话生成两大任务类进行建模，利用类似于 BERT 或者 GPT-2 的 loss 在对话语料上进行预训练。例如，针对话理解，常见模型有 PolyAI 的 ConvRT [5]，Salesforce 的 TOD-BERT[6]和亚马逊的 ConvBERT[7]，针对对话生成，常见模型有微软的 DialoGPT [8]，谷歌的 Meena[9]和 Meta 的 Blender[10]。这些预训练对话模型仍然存在很多不足：

1. 数据上，大部分只用了开放域数据；
2. 模型上，大多只面向回复生成进行建模；
3. 训练机制上，只利用了自监督预训练目标。

综上，一方面，无知识不对话，知识是对话的基础；另一方面，预训练对话模型对于对话系统是刚需。基于此，我们希望在数据和知识双驱动的预训练对话模型方向上进行深入探索。

2. SPACE-1: 从 自监督训练 到 半监督训练

2.1. 从自监督到半监督

如何向模型中注入标注知识依旧是一个尚未充分探索的方向。早期工作中，谷歌的 T5 就已经尝试了将有标和无标数据统一成语言生成任务进行学习，但是实验却表明简单地混合有标无标数据训练反而会带来负面影响。经过大量的实验探索，我们发现如果还是基于原先的两大预训练范式，难以很好地进行预训练。首先，单利用自监督预训练或者有监督预训练是无法同时利用好有标和无标的预训练数据，仅自监督损失函数是无法学习出标注知识中的高层语义的，有监督损失函数亦不能学出无标语料中的通用底层语义；其次，在大规模预训练中，由于所使用的预训练数据往往存在着少量有标数据和海量无标数据之间的数量鸿沟，如果简单混合两种预训练，会使得标注知识的信息要么淹没在无标数据中，要么就会出现严重的过拟合，因此我们需要全新的预训练范式来解决该问题。

基于上述动机，我们期待能够通过一种新的训练方式，将人类知识注入到预训练对话模型中。这里我们提出半监督预训练对话模型 SPACE （Semi-supervised Pre-trAined Conversation ModEl） 。如下图所示，半监督预训练从迁移学习的角度来看，可以认为是一个前两种范式的自然延伸，通过构造半监督学习的损失函数来充分综合利用有限的标注知识和大量的无标数据。在半监督学习理论里 [11]，模型既需要在无标数据上进行自我推断，根据结果进一步约束优化，也需要利用有标数据进行一定程度的有监督，指导自监督预训练的过程，同时避免模型参数陷入平凡解。

图5 三种预训练方式：有监督、自监督及半监督，参考[16]修改

如下图所示，传统的半监督学习主要是通过无标注数据来辅助有标注数据，从而减少学习所需要的标注样本量。而我们关注的不再是如何降低对标注数据量的依赖，而是如何更加高效地融入特定标注知识。

图 6 我们提出的半监督预训练与之前半监督的不同点

半监督预训练是我们 SPACE 系列模型的核心思路，基于这个思路，我们该从哪个方向进行探索呢？当前的预训练对话模型主要可以分为对话理解、对话策略、对话生成几个方向，对话理解和对话生成都有一些相关的工作了，而对话策略的研究却比较薄弱，但对话策略又是连接对话理解和对话生成的核心环节，它指导着对话生成的正确性，同时对于多轮对话能否完成目标（对话完成率）也至关重要。所以我们先从对话策略进行入手，将策略知识注入到预训练对话模型中。

图 7 针对对话策略的预训练对话模型还处于空白

2.2. 对话策略知识

什么是对话策略呢？对话策略最早是 1995 年在语言学被提出，用来对人类的语言交流进行行为建模的，将对话动机或者对话行为抽象为具体的类型，在 wiki 百科中的解释为 “A dialog act is a tag for an utterance, in the context of a conversational dialog, that serves a function in the dialog”。随着领域的发展，人机对话也开始采取这种标签体系，称之为 dialog act （DA），比如哥伦比亚大学的 Zhou Yu 老师团队提出以用户为中心的 DA 体系，一共 23 个 DA 标签，凭借这套对话策略的标签，拿下了当年的 Alexa Prize 的冠军，证明了这种策略知识对于人机对话任务也是非常重要的。

图 8 对话策略（Dialog Act）的发展历史

但是目前的 DA 标注体系都比较零散，每个研究的标注体系都不相同，毕竟用一个小规模的、具体的集合来描述整个人类的语言描述，还是非常有挑战的。为了推进这个方向的研究，我们将学术界面向任务型对话的策略体系进行了整合，最终梳理出 5 大类、20 小类的统一标签体系。最终我们打造出最大的统一 DA 的对话数据集 UniDA，共计 100w 条 utterance，同时我们还整理了学术界所有的大规模无标注语料 UniDIal，共计 3500w 条 utterance。

图 9 我们总结出的 DA 体系，基于此梳理发布了学术界最大的统一 DA 的对话数据集 UniDA

目前我们已经整理好了用于预训练的知识和数据，接下来需要考虑如何设计模型。首先我们将对话策略进行显式建模，给定对话历史，直接预测下一轮系统端的 DA 标签。比如下面这个例子，用户首先说 “帮我查一下上个月的水费”，机器人说“好的，请问你的户号是多少？” 然后这个用户就会把他的水卡的号说出来。那么再下一句，机器人应该说什么呢？我们要预测机器人的这个对话策略，就是选择继续询问，或者选择回答信息，还是要进行澄清，这些行为就是模型就要预测机器人的这个对话策略。那么这样一个预测的过程，可以直接建模为分类问题进行处理。

图 10 对话策略的建模方式

2.3. 半监督预训练

如何将这个分类问题进行半监督训练呢？目前学界对于半监督的利用主要分为 3 种：基于判别式的方法，比如 self-prediction、co-training 等；基于生成式的方法，比如 VAE、GAN 等，还有基于对比学习的方法，比如 有负样本的对比和无负样本的对比。其中，在我们的实验中，基于判别式（self-prediction）和生成式（VAE）由于缺乏显式的 loss 约束及隐变量的不确定性，效果都不尽人意。

图 11 NLP 中常用的半监督方法

我们最后选择基于对比学习的半监督训练方法。具体的，针对无标对话数据，我们采用了 R-drop[12] 的思路，如下图所示，给定同样的对话输入 c（context），经过两次带有 dropout 的 forward 得到了两次经过随机扰动后在对话动作空间 （DA）上预测的不同分布，然后通过双向 KL 正则损失函数（L_KL）来约束两个分布。针对有标对话数据，我们则直接利用基础的有监督交叉熵 loss（L_DA）来优化对话动作预测。理论可以证明，在满足低密度假设下（即分类边界处于低密度分布），通过对同一个样本进行扰动后分类结果仍然具备一定程度上的一致性 （即分布接近或预测结果接近），那么最终基于一致性正则的半监督学习可以保证找到正确的分类面。最终模型的预训练损失将和回复选择任务（L_select）和回复生成任务（L_gen）进行联合优化。

图 12 半监督 Loss 设计
2.4. SAPCE-1 结果

最终 SPACE-1 借助半监督注入策略知识的能力，在这些经典的对话榜单上均大幅超过了之前的 SOTA 模型，端到端混合分数在 In-Car，MultiWOZ2.0 和 MultiWOZ2.1 分别提升 2.5、5.3 和 5.5 个点：

图 13 SPACE-1 在 MultiWoz 2.0 等数据集上带来显著提升

以上的结果充分证明了半监督预训练的效果。进一步详细分析如下图所示，Success 是对话完成率指标，BLEU 是对话生成指标，对话策略对于这两个指标有重要影响，注入对话策略知识后的大模型，在这两个这两个指标上带来了显著提升。

图 14 SPACE-1 效果详细分析

3. SPACE-2：从封闭集知识到开放集知识

3.1. 开放集知识

SAPCE-1 主要将对话策略知识注入到预训练模型的过程中，但是仍然存在一些局限，首先 DA 标签体系比较简单，因为只有 20 个类别；其次，DA 的标签体系是一个封闭集，虽然对于人机对话是非常重要的，但从知识的角度来看，仍然是比较简单。对于整个对话系统来说，语言理解所涉及的知识会更加复杂，比如一个 query “市中心有什么好吃的吗？”，首先这句话有意图信息（找餐馆），其次对于餐馆位置等属性一般作为是槽位信息。在广泛的对话场景下，对于意图和槽位的人类标注，其实也可以看做知识的一种形态。所以我们希望 SPACE-2 能完成从简单封闭集知识到复杂开放集知识的跃迁，很好的利用已有的标注数据。

图 15 两种知识形态：简单的封闭集知识和复杂的开放集知识

3.2. 语义树标签

沿着这个思路，我们首先要解决一个难点，已有的复杂开放集知识不是一个简单的封闭集合的分类任务，不同数据集的体系更加复杂不一致。我们通过提出语义树结构对所有任务型对话数据集的用户侧理解标签进行统一，从 domaim、intent、slot、value 等四个层次进行树状标签的构建。比如对于 query “附近有好吃的川菜馆吗”，其 domain 为 restaurant，intent 是查找餐厅，slot 是菜系，value 是川菜，就可以完成一颗语义树的构建。利用这个思路，我们整合学术界已有的 32 个有标对话数据，提出 AnPreDial（300 万） ，同时整合已有的 19 个无标对话数据，提出 UnPreDial（1900 万），作为 SPACE-2 的预训练数据。

图 16 语义树标签

3.3. 半监督对比学习

与 SPACE-1 类似，我们仍然采用半监督对比学习的思路进行知识注入，有标注样本采用有监督对比学习，无标注样本采用自监督对比学习。而对于有监督对比学习，当前的语义树知识不是独热（one-hot）的，而是可度量的相似度标签。比如 query A 表达的是“能不能帮我在城东找一家比较便宜的宾馆”，而 query B 表达的是“你能不能在城西帮忙找一家便宜的宾馆”，这两句话的语义树标签之间的相似度是可度量的，具体的度量方式我们通过两个 query 标签解析出的语义树进行计算，将语义数按照节点和路径的组合，拆分为 10 种不同的情况 {D, I, S, V, DI, IS, SV, DIS, ISV, DISV} 其中 D 表示 domain，I 表示 intent，S 表示 slot，V 表示 value。最终按照路径和节点的重合程度，计算 Jaccard 距离作为 soft label 值，最终作为半监督学习的标签。

图 17 语义树相似度度量

因为两个样本之间，可能只有部分是相似的，所以根据语义树的特点，我们进一步提出了 Multi-view scoring 的学习策略，在最后预测的过程中加入不同子空间的映射矩阵，用不同子空间对部分相似的样本进行显式建模。

图 18 采用多视角（Multi-View）分别对不同的子结构进行显式建模

通过这种策略，可以通过 soft label 度量 batch 内任意两个样本的相似度，最后通过 weighted 对比学习的方式进行优化。下图可以看出，相比于自监督的对比学习（自己和自己作为正例，batch 内其他样本作为负例）和全监督的对比学习（正负标签作为对比学习标签），SPACE-2 基于树结构的半监督对比学习方式，既能有效的利用标注信息，又能很弹性的退化为自监督对比学习，非常适合对话理解任务。

图 19 基于树结构的半监督对比学习