开源｜qa_match：一款基于深度学习的层级问答匹配工具

qa_match于2020年3月份开源，具备的Features如下：

• 支持快速搭建一套基于QABot的问答系统

• 基于 tensorflow 框架进行开发，灵活性高，可扩展性强

• 代码简洁，支持领域、意图的快速识别，领域意图模型融合，识别准确率高

• 模型训练输入格式简单

• 模型训练过程中支持基于测试集的最优效果model 保存

• 对信息含量少、语序不一致、语义相同但问法不同等难以识别的问题都能较好识别

基于QABot一问一答的业务咨询服务是智能客服系统的核心功能，依赖知识库进行自动问答，知识库一般是通过人工总结、标注、机器挖掘的方式进行构建，知识库中包含大量的标准问题，每个标准问题有一个标准答案和一些扩展问法，我们称这些扩展问法为扩展问题。在实际场景中，知识库一般具有两级结构，每个标准问题及其扩展问题都有一个类别，我们称为领域，同时我们把标准问题称为意图，一个领域包含多个意图。实现问答的思路是当用户输入一个query时，我们通过一定的策略（如分类、检索、匹配等）从知识库中找到与用户query语义最相近的问题，并把对应的答案回复给用户。具体流程如下图所示： 

在QABot一问一答实际应用中，当用户提问一个问题时，系统一般会给予用户三种回答方式：当用户提问问题与知识库中标准问题语义匹配程度很高时，系统会直接回复标准答案答案（唯一回答）。当用户提问问题语义比较模糊时，系统会回复用户一个标准问题列表，让用户选择想问的问题（列表回答）。当用户提问问题与业务咨询无关时，系统会拒绝回答（拒识）。

在QABot一问一答实际场景下经常会遇到如下难点：

针对上述问题，现有技术方案通常采用单模型分类、匹配、检索的方式来直接识别用户意图，这样虽然能部分解决上述问题，但在我们的应用场景效果不是很理想。为了提升问答效果，我们实现了一种类似bagging方法的模型融合策略qa_match。qa_match用标准问题、扩展问题和它们对应的类别训练BiLSTM领域分类模型，用标准问题当做意图，标准问和扩展问题当做语料训练DSSM意图匹配模型，对用户问题先进行BiLSTM领域分类，然后进行DSSM意图匹配，最后对分类结果和匹配结果进行融合。qa_match于2018年9月份上线，并在我们的应用场景取得了最佳效果。qa_match虽然实现逻辑简单，但高效、问答效果不错，后续我们考虑在qa_match中开源预训练模型和知识库半自动挖掘流程。

qa_match主要包含的三个体模块，架构如下图所示： 

1. 领域识别

为了更准确理解用户问题属于哪个意图，可以先对用户问题进行领域识别，用识别出的领域来约束后续的意图识别，使整体的问答匹配更准确。qa_match领域包括三大类:“拒识”，“列表回答”和“具体领域”，具体领域是指账号类，信息类等具体的类别。“拒识”和“列表回答”是两个抽象的领域，“拒识”指的是应该拒绝回答用户的问题，“列表回答”指的是用问题列表询问用户想问哪个问题。

qa_match中采用BiLSTM+attention的方式进行领域识别（如下图），一方面考虑到领域类别较少，训练性能问题，不宜选择较复杂的分类模型。另一方面由于BiLSTM具有双向全局化处理方式、记忆单元、较复杂的门机制等特点，在对短文本时序数据进行处理时，相对于其他RNN类模型，BiLSTM在避免梯度消失的同时，更容易对上下文进行完整建模。BiLSTM和attention机制的组合，更容易找出对识别具有贡献的特征，使得领域识别更加精准。

2. 意图识别

意图识别是判断用户问题可能属于哪些标准问题，为了精确识别用户的意图，我们既可以对用户意图进行分类又可以进行匹配。但由于用户意图种类很多，单纯的分类任务效果要逊于匹配任务。深度文本匹配任务可以用representation-based模型、interaction-based模型。representation-based模型是将文本转化为句向量后，再计算句向量间的相似度，但它容易产生语义偏移的现象。interaction-based模型的核心思想是获取交叉矩阵，进行更细粒度的匹配，它可以解决语义偏移的现象，在很多文本匹配比赛中都获得了优异的效果。

我们尝试了上述两类模型，发现在工业级数据集中，以DSSM为代表的representation-based模型具有更好地表现，而interaction-based模型因为同一类问题的表达方式过于丰富，反而效果不如DSSM，由此qa_match中采用DSSM进行意图识别。

DSSM（Deep Structured Semantic Models）深度语义匹配模型，结构上一般分为：输入层、表示层、匹配层。DSSM通常把query和多个doc表征为相应的语义向量，并通过计算余弦相似度来衡量query和doc的距离，最终训练出语义相似度模型，该模型可以用来很好的预测两个句子的语义相似度。

qa_match在训练DSSM模型时，由于知识库中每个标准问题都有若干个扩展问题，为了让模型学习到它们具有相同的语义，我们通过下面的方法构建训练集：从知识库随机抽取一个query（标准问题或扩展问题），使用这个query对应的标准问题作为正例，从其余的标准问题中随机抽取N条作为负例，通过训练，模型可以很好地表示这一类问题的语义。在线推理时，我们使用用户问题作为query，所有的标准问题作为doc，为保证推理性能我们事先对每个doc做特征表征得到相应向量并保存在计算图里，线上我们只需用BiLSTM对query进行特征表征得到其对应的向量，然后与事先保存好的doc对应的向量计算余弦相似度，最终取相似度最高的topn doc做为query的候选意图做为意图识别模块的输出。

3. 模型融合

对用户问题进行领域识别和意图识别，得到问题所属领域和意图范围后，我们考虑对两种结果进行融合，以获取用户的真实意图并给予合适的回答（唯一回答、列表回答、拒绝回答）。模型融合的思路是：用户问题所属领域具有较高的置信度（领域识别打分较高）时，对应的意图范围倾向于保留该领域下的意图，并根据意图识别模型的置信度情况给予合适回答。

当前版本的模型融合主要是通过人工及统计经验配置参数，使用方可按照各自的场景数据进行配置。流程如下图所示，举个例子：如当用户提问“为什么我发布不了帖子？”，Bi-LSTM领域识别成“信息类”的概率为0.99，DSSM意图识别TOP1为“为什么无法发布信息？”的概率为0.98。当“信息类”的概率>=0.9(b1)且“为什么无法发布信息？”的概率>=0.95(x2)时候，结果按照下图黄色箭头所示流程进行融合，最终用户提问被匹配为标准问题“为什么无法发布信息？”并给予唯一回答，其它分支类似。

qa_match支持两层结构的知识库问答，训练集中的一条问题需要同时具有意图标签和领域标签。但是对于简单的识别的任务，也可以直接使用本工具提供的领域识别模型或者意图识别模型。

1. 数据准备

我们总共需要四种数据：

数据中的“问题”要求以空格分隔。

2. 项目运行

要完成层级问答匹配任务，只需要三步：先进行领域识别，再进行意图识别，最后进行模型融合。我们将执行的命令写进了脚本run.sh里面，只需要执行命令bash run.sh即可。

3. 模型融合参数设置

我们模型融合参数的选择是基于统计的，首先会在测试集上计算同一参数不同阈值所对应标签的f1值，然后选取较大的f1值（根据项目需求可偏重准确率/覆盖率）对应的阈值做为该参数的取值。如：在选取BiLSTM拒绝回答标签对应参数阈值a1（2.5模型融合图中的a1）时,先会在测试集上确定不同的a1取值对应模型的回答标签（模型top1回答为拒绝回答&分值大于a1时则认为拒绝回答，否则认为应该回答），后续根据样本的真实标签计算f1值，最后选取合适的f1值（根据项目需求可偏重准确率/覆盖率）对应的取值作为a1的值。具体使用说明请参考github仓库中的README。

未来我们会继续优化扩展qa_match的能力，计划开源如下：

（3）目前tensorflow已发版到2.1版本，后续我们会根据需求发布tensorflow 2.X版本或pytorch版本的qa_match。

本次开源只是qa_match贡献社区的一小步，我们诚挚地希望开发者向我们提出宝贵的意见。

您可以挑选以下方式向我们反馈建议和问题：

作者简介

王勇，58同城 AI Lab 算法架构师，主要负责58智能问答相关算法研发工作。

陈璐，58同城 AI Lab 资深算法工程师，主要负责58智能质检相关算法研发工作。

想了解更多开源项目信息？

与项目成员零距离交流？

扫码加小秘书微信

一切应有尽有

微信号 : jishu-58

添加小秘书微信后由小秘书拉您进项目交流群