9、聊天機(jī)器人 Meena

開(kāi)放域聊天機(jī)器人仍然存在明顯的弱點(diǎn)，比如說(shuō)它們的響應(yīng)通常沒(méi)有意義，或者過(guò)于模糊或籠統(tǒng)。

為了解決這些問(wèn)題，谷歌研究團(tuán)隊(duì)引入了 Meena（一個(gè)具有 2．6B 參數(shù)的生成式會(huì)話模型）。Meena 的 seq2seq 模型每層使用的是 Evolved Transformer （ET） 塊。Encoder 端使用了 1 個(gè) ET 層（相當(dāng)于 2 層 Transformer），Decoder 端使用了 13 個(gè) ET 層（相當(dāng)于 26 層 Transformer）。

在多回合會(huì)話中訓(xùn)練模型，輸入序列包括上下文的所有回合（最多 7 個(gè)），輸出序列為響應(yīng)。相比于 GPT－2 訓(xùn)練使用了 40GB 的文檔數(shù)據(jù)，Meena 訓(xùn)練使用了 341GB 的對(duì)話數(shù)據(jù)。Meena 的模型參數(shù)規(guī)模達(dá)到了 2．6B，在 GPT－2 的基礎(chǔ)上又大了不少。

與此同時(shí)，為了測(cè)量諸如 Meena 之類的開(kāi)放域聊天機(jī)器人的質(zhì)量，研究人員引入了一種新的人類評(píng)估指標(biāo)，稱為敏感度和敏感度平均值（SSA），它可以測(cè)量聊天機(jī)器人的兩個(gè)基本方面 —— 有道理和具體。

Meena 的出現(xiàn)是一個(gè)進(jìn)一步將計(jì)算機(jī)交互人性化的探索，可以幫助改善外語(yǔ)練習(xí)、使交互式電影和視頻游戲角色具有關(guān)聯(lián)性等應(yīng)用場(chǎng)景。

不過(guò)，考慮到模型中與安全性和偏差有關(guān)的挑戰(zhàn)，研究團(tuán)隊(duì)尚未開(kāi)源該模型。

10、BlenderBot

Facebook AI Research 團(tuán)隊(duì)顯示，有了適當(dāng)?shù)挠?xùn)練數(shù)據(jù)和生成策略，大型模型可以學(xué)習(xí)許多重要的會(huì)話技巧，例如提高參與度、運(yùn)用知識(shí)、富有同情心和保持角色一致性等等。

他們建立了一個(gè)先進(jìn)的對(duì)話機(jī)器人，名為 “BlenderBot”。利用這個(gè)具有 9．4B 參數(shù)的模型，團(tuán)隊(duì)對(duì)它進(jìn)行了一項(xiàng)名為 Blended Skill Talk 的新任務(wù)的訓(xùn)練。

建立 BlenderBot 這樣的開(kāi)放域聊天機(jī)器人，有以下三個(gè)關(guān)鍵要素：

?規(guī)模大。最大的模型具有 94 億個(gè)參數(shù)，并在提取的對(duì)話的 15 億個(gè)訓(xùn)練示例中進(jìn)行了訓(xùn)練。

?混合技能。聊天機(jī)器人接受了 “混合技能對(duì)話” 任務(wù)的培訓(xùn)，以學(xué)習(xí)諸如使用個(gè)性，使用知識(shí)和表現(xiàn)同情心之類的技能。

?用于解碼的 Beam search 。

與上面的第九項(xiàng)研究 Meena 相比，F(xiàn)acebook 的這項(xiàng)工作進(jìn)一步提升了基于預(yù)訓(xùn)練模型構(gòu)建的聊天機(jī)器人的回復(fù)效果，甚至在短對(duì)話（14 輪以下）的人工評(píng)估中獲得了非常接近人類的得分。