前言

自然语言处理是人工智能领域的掌上明珠，而人机对话则是自然语言处理领域的最终极一环。

以BERT为代表的预训练模型为自然语言处理领域带来了新的春天，在人机对话问题上也不例外。检索式多轮对话任务中，最有名的对话数据集就是Ubuntu Dialogue Corpus了，ACL2018提出的DAM是76.7%的，然而基于BERT来做却直接刷到了85.8%的，93.1%的和高达98.5%的，已经基本逼近了人类的表现（英语差的可能已被BERT超越），这让很多研究检索式聊天机器人的小伙伴直呼这个领域没法继续往下做了。。

那么问题来了，既然聊天机器人在BERT的带领下超越人类了，为什么跟我打交道的聊天机器人依然宛如人工智障？？？

一言以蔽之，上个时代的对话数据集太弱了！！！

相信很多和聊天机器人对（liao）话（sao）过的小伙伴们都有感觉，就是每句话都回复的没什么毛病，但它像是只有三秒的记忆时间，回复的内容和前文的连贯性很差，甚至会出现自相矛盾的语句。比如

我：吃饭了吗机器人：吃了个苹果，最近在减肥。。。我：你不胖呀机器人：我不要减肥我：

当前的对话模型往往选择出的回复相关性较好，但是经常出现常识和逻辑错误。由于现有的大部分检索式对话数据集都没有正面刚这种对话逻辑问题，导致评价指标也无法直接反映一个模型对对话逻辑的掌握程度。针对此问题，西湖大学联合微软研究院提出了多轮对话推理数据集MuTual。

相比现有的其他检索式聊天数据集，MuTual要求对话模型具备常识推理能力；相比阅读理解式的推理数据集，MuTual的输入输出则完全符合标准检索式聊天机器人的流程。因此，MuTual也是目前最具挑战性的对话式数据集。测试过多个模型后，目前最佳的RoBERTa表现仅为70分左右，和人类的表现存在20多分的巨大差距。

此篇论文也发表在了ACL2020上。

arxiv访问慢的小伙伴也可以在订阅号后台回复关键词【0413】下载论文PDF。

数据集特点

现有的检索式聊天机器人数据集，诸如Ubuntu，Douban，对于给定的多轮对话，需要模型在若干候选回复中，选出最合适的句子作为对话的回复。然而这些数据集主要关注模型能否选出相关性较好的回复，并不直接考察模型的推理能力。随着BERT等预训练模型的涌现，此类数据集的测试集合已经达到了很好的效果。

已有的针对推理的数据集(DROP, CommonsenseQA, ARC, Cosmos等)大多被设计为阅读理解格式。它们需要模型在阅读文章后回答额外问题。由于任务不同，这些现有的推理数据集并不能直接帮助指导训练聊天机器人。下图为对话和推理式阅读理解的常用数据集：

基于目前对话数据集的缺陷，Mutual被提出，一个直接针对Response Selection的推理数据集。

数据集构建

MuTual基于中国高考英语听力题改编。听力测试要求学生根据一段双人多轮对话，回答额外提出的问题。并通过学生能否正确答对问题衡量学生是否理解了对话内容。为了更自然的模拟开放领域对话，我们进一步将听力题中额外的问题转化为对话中的回复。

标注者截选原对话中具备回答问题信息的片段，根据正确选项构造正确的回复（上图回复A），根据两个错误选项构造两个错误的回复（回复C和回复D）。

为了进一步提升难度，引入额外的推理信息，标注者还需根据正确选项构建一个负面的回复（回复B）。另外，标注者需要保证在无上文信息情况下，所有候选回复在逻辑上皆合理。这样可以让数据集聚焦于检测模型在多轮对话中的推理能力，而非判断单个句子是否具有逻辑性。

作者还在标注过程中控制正确和错误的回复与上文的词汇重叠率相似，防止模型可以通过简单的根据文本匹配选出候选回复。构造出的数据集主要包含聊天机器人需要的六种推理能力：态度推理(13%), 数值推理(7%), 意图预测(31%)，多事实推理(24%)和常识等其他推理类型（9%）。

在真实应用场景中，检索式对话模型无法检索所有可能的回复，如果没有检索到合适的回复，系统应具有给予安全回复(safe response)的能力。为了模拟这一场景，MuTual^plus被提出。对于每个实例，MuTual^plus随机替换掉MuTual中一个候选回复。如果正确回复被替换，安全回复即为新的正确回复。如果错误回复被替换，原正确回复仍为四个回复中最合适的。

实验

论文测试了主流的检索式对话模型（LSTM, SMN, DAM）和预训练语言模型(GPT, BERT, RoBERTa)在MuTual和MuTual^plus上的表现，以Recall@1（正确检索结果出现在检索结果第一位）, Recall@2（正确检索结果出现在检索结果前两位）, MRR(Mean Reciprocal Rank,正确检索结果在检索结果中的排名的倒数)作为评价指标。

从结果可以看到，之前的检索式对话模型在此种任务上，表现只比Random的情况好一点。不过预训练模型也不能取得很好的效果，甚至RoBERTa也只能达到71%的Recall@1。然而未经培训的非母语者可以轻松达到94%。

进一步研究发现，模型表现不会随着对话轮数增加而变差（推理能力并不依赖复杂的对话历史）。在推理类型方面，模型在数值推理和意图推测中表现的较差。下图第一个例子中，时差运算只需简单的减法(5:00pm - 6h = 11:00am)，第二个例子需要推理出对话出现在租房场景中，然而对现有的深度学习模型依然十分困难。

总结

尽管BERT为代表的预训练模型很大程度上解决了检索式对话的回复相关性问题，但是依然难以解决真实对话场景中的常识和逻辑问题，导致聊天机器人的真实用户体验依然不尽人意。现有的检索式对话数据集大都没有直接对该问题进行建模，因此我们提出了MuTual数据集，针对性的评测模型在多轮对话中的推理能力。