近日，微軟沈向洋等人發(fā)表論文《微軟小冰的設(shè)計(jì)與實(shí)現(xiàn)》，幾乎無保留地公開了小冰系統(tǒng)的開發(fā)過程，詳述了系統(tǒng)架構(gòu)和關(guān)鍵組件，包括對(duì)話管理器、核心聊天、技能和移情計(jì)算模塊。

社交聊天機(jī)器人，或能夠與人類進(jìn)行共情對(duì)話的智能系統(tǒng)的開發(fā)，一直是人工智能領(lǐng)域持續(xù)時(shí)間最長的目標(biāo)之一。近年來，隨著大量會(huì)話數(shù)據(jù)的出現(xiàn)，以及機(jī)器學(xué)習(xí)的突破被應(yīng)用于會(huì)話AI，對(duì)話智能系統(tǒng)在學(xué)術(shù)研究界和行業(yè)中都取得了可喜的成果。

微軟小冰是世界上最流行的社交聊天機(jī)器人之一。自2014年5月發(fā)布以來，小冰已經(jīng)和超過6.6億用戶聊過天，并成功地與其中許多用戶建立了長期情感聯(lián)系。

近日，微軟小冰團(tuán)隊(duì)發(fā)表論文《微軟小冰的設(shè)計(jì)與實(shí)現(xiàn)》(The Design and Implementation of XiaoIce, an Empathetic Social Chatbot)，幾乎無保留地公開了小冰系統(tǒng)的開發(fā)過程，詳述了系統(tǒng)架構(gòu)和關(guān)鍵組件，包括對(duì)話管理器，核心聊天，技能和移情計(jì)算模塊，展示了小冰是如何在長時(shí)間的對(duì)話中動(dòng)態(tài)地識(shí)別人類的情感和狀態(tài)，理解用戶的意圖，并響應(yīng)用戶的需求的。

這篇論文可以說是迄今最詳細(xì)的關(guān)于微軟小冰的論文，作者包括微軟亞洲工程院的周力、李迪，以及雷德蒙德研究院的高劍峰和沈向洋。

論文地址：

https://arxiv.org/pdf/1812.08989v1.pdf

小冰的設(shè)計(jì)目標(biāo)

小冰的主要設(shè)計(jì)目標(biāo)是成為一個(gè)AI伴侶，用戶可以與之形成長期的情感聯(lián)系。作為一個(gè)開放領(lǐng)域的社交聊天機(jī)器人，小冰能夠與人類用戶建立這樣的長期關(guān)系，這不僅使她有別于早期的社交聊天機(jī)器人，也使她不同于蘋果Siri、亞馬遜Alexa、Google Assistant和微軟Cortana等最近開發(fā)的AI助理。

圖1顯示了一名用戶和小冰之間如何在兩個(gè)月時(shí)間里建立起情感聯(lián)系。當(dāng)用戶第一次遇到聊天機(jī)器人(Session 1)時(shí)，她在對(duì)話中試圖了解小冰的特性和功能。然后，在不到兩周的時(shí)間里(Session 6)，用戶開始和小冰談?wù)撍呐d趣愛好(一部日本漫畫)。到第4周(Session 20)，她開始把小冰當(dāng)作朋友，問她一些與她的真實(shí)生活有關(guān)的問題。7周后(Session 42次)，用戶開始把小冰當(dāng)作同伴，幾乎每天都和她聊天。又過了兩周(Session 71)，沒當(dāng)她希望有人聊天時(shí)，小冰成了她的第一選擇。

圖1：用戶和小冰如何在兩個(gè)月內(nèi)建立起情感聯(lián)系，使用的是中文(右)，英文翻譯(左).

小冰是在一個(gè)移情計(jì)算框架的基礎(chǔ)上開發(fā)的，它使得機(jī)器(在我們的用例中是社交聊天機(jī)器人)能夠識(shí)別人類的情感和狀態(tài)，理解用戶的意圖，并動(dòng)態(tài)地響應(yīng)用戶的需求。

小冰的目標(biāo)是通過一種特殊形式的圖靈測試，稱為“分時(shí)測試”(timesharing test)。在測試中，機(jī)器和人類在一個(gè)具有分時(shí)計(jì)劃的陪伴系統(tǒng)中共存。如果一個(gè)人喜歡它的陪伴(通過對(duì)話)，我們就可以稱它為“移情”機(jī)器。

在接下來的部分，我們將介紹小冰的設(shè)計(jì)和實(shí)現(xiàn)的細(xì)節(jié)，然后，展示系統(tǒng)的架構(gòu)和關(guān)鍵組件，包括對(duì)話管理器，核心聊天，重要技能和移情計(jì)算模塊。

小冰的設(shè)計(jì)原則

社交聊天機(jī)器人需要有足夠高的智商(IQ)才能獲得一系列技能，跟上用戶的需求，并幫助他們完成特定的任務(wù)。

更重要的是，社交聊天機(jī)器人還需要足夠的情商(EQ)來滿足用戶的情感需求，例如情感感受和社會(huì)歸屬感，這些都是人類的基本需求。

IQ和EQ的結(jié)合是小冰系統(tǒng)設(shè)計(jì)的核心。小冰的個(gè)性也是獨(dú)一無二的。

IQ + EQ + 個(gè)性

IQ 能力包括知識(shí)和記憶建模、圖像和自然語言理解、推理、生成和預(yù)測。這些都是發(fā)展對(duì)話技巧的基礎(chǔ)，它們對(duì)于社交聊天機(jī)器人來說是必不可少的，可以滿足用戶的特定需求，幫助用戶完成特定的任務(wù)。

在過去的5年里，小冰已經(jīng)開發(fā)了230種不同的技能，從回答問題、推薦電影或餐館，到安慰用戶和講故事。最重要、最復(fù)雜的技能是核心聊天(Core Chat)，它可以與用戶就許多主題進(jìn)行長時(shí)間的開放式對(duì)話。

圖2：用戶與小冰的聊天記錄，使用日語(中間)，英語翻譯(左)。移情模型提供了一種上下文感知策略，可以在需要的時(shí)候驅(qū)動(dòng)對(duì)話(右)。例如，小冰決定在第3輪對(duì)話停頓時(shí)將對(duì)話“驅(qū)動(dòng)”到一個(gè)新主題，并在第4輪和第7輪對(duì)話中，當(dāng)用戶自己也參與到新主題時(shí)積極傾聽。

EQ有兩個(gè)關(guān)鍵組成部分：同理心和社交技巧。如圖2所示，小冰展示出了足夠的情商，因?yàn)樗a(chǎn)生了有社交吸引力的反應(yīng)（例如，幽默感、安慰等），并且能夠決定在對(duì)話陷入停滯時(shí)，是否將對(duì)話“驅(qū)動(dòng)”到一個(gè)新的主題，或者當(dāng)用戶參與到對(duì)話時(shí)，是否積極傾聽。

個(gè)性(Personality)的定義是形成個(gè)體獨(dú)特性格的行為、認(rèn)知和情感模式的特征集合。社交聊天機(jī)器人需要表現(xiàn)出一致的個(gè)性，在對(duì)話中為用戶設(shè)定正確的期望，獲得用戶長期的信心和信任。

小冰的角色被設(shè)計(jì)為一個(gè)18歲的女孩，她總是可靠、富有同情心、充滿深情，而且有很好的幽默感。盡管小冰非常博學(xué)(因?yàn)樗芙佑|到大量的數(shù)據(jù))，但她從來沒有表現(xiàn)出任性的一面，只是在適當(dāng)?shù)臅r(shí)候展示她的智慧和創(chuàng)造力。如圖1所示，小冰聰明地回答了一些敏感的問題(如Session 20)，然后巧妙地轉(zhuǎn)換到對(duì)雙方來說都更舒服的新話題。

社交聊天機(jī)器人的指標(biāo)：CPS

與任務(wù)導(dǎo)向型的機(jī)器人不同，他們的性能可以通過任務(wù)成功率來衡量，衡量社交聊天機(jī)器人的性能很難。

過去，圖靈測試被用來評(píng)估聊天性能。但這還不足以衡量與用戶長期的情感接觸是否成功。相反，我們將每次會(huì)話交流回合數(shù)(Conversation-turns Per Session, CPS)作為社交聊天機(jī)器人的度量標(biāo)準(zhǔn)。它是聊天機(jī)器人和用戶在一輪會(huì)話中的平均對(duì)話次數(shù)。CPS越大，社交聊天機(jī)器人的參與度就越好。

社交聊天作為分層決策

為了實(shí)現(xiàn)這些設(shè)計(jì)目標(biāo)，我們在數(shù)學(xué)上將人機(jī)對(duì)話作為決策過程，并根據(jù)預(yù)期的GPS來優(yōu)化小冰的長期用戶參與度。

如圖3所示，小冰試圖通過促進(jìn)對(duì)話模式的多樣性來維護(hù)用戶的興趣。每個(gè)會(huì)話模式都由處理特定類型會(huì)話段的技能管理。例如, 在Turn 1，小冰使用“General Chat”技能，以一句休閑聊天開始了對(duì)話；然后，在Turn 4，小冰使用“Music Chat”技能，切換到一個(gè)新的音樂話題；在Turn 15，使用“Song On-Demand”技能推薦了一首歌，并在“Turn 18”使用“Ticket-Booking”技能幫助預(yù)定了一張音樂會(huì)的票。

圖3：這段對(duì)話可以看作是一個(gè)決策過程

小冰的系統(tǒng)架構(gòu)

小冰的總體架構(gòu)如圖4所示。它由3個(gè)層組成：用戶體驗(yàn)、對(duì)話引擎和數(shù)據(jù)。

圖4：小冰的系統(tǒng)架構(gòu)

用戶體驗(yàn)層：該層將小冰連接到流行的聊天平臺(tái)(如微信、QQ)，并以兩種模式與用戶交流：全雙工模式和輪流對(duì)話模式。該層還包括一組用于處理用戶輸入和小冰響應(yīng)的組件，如語音識(shí)別和合成、圖像理解和文本規(guī)范化。

對(duì)話引擎層：由對(duì)話管理器、移情計(jì)算模塊、核心聊天和對(duì)話技能組成。

數(shù)據(jù)層：由一組數(shù)據(jù)庫組成，這些數(shù)據(jù)庫存儲(chǔ)收集到的人類會(huì)話數(shù)據(jù)(文本對(duì)或文本圖像對(duì))、用于核心會(huì)話和技能的非會(huì)話數(shù)據(jù)和知識(shí)圖，以及小冰和所有注冊用戶的個(gè)人檔案。

對(duì)話引擎深度解析

對(duì)話引擎層主要包括四大組件：對(duì)話管理器、移情計(jì)算(empathetic computing)、Core Chat和技巧。

對(duì)話管理器

對(duì)話管理器是對(duì)話系統(tǒng)的中央控制器。它由全局狀態(tài)跟蹤器(Global State Tracker)和對(duì)話策略(Dialogue Policy)組成。 該操作可以是頂級(jí)策略激活的技巧或Core Chat。

全局狀態(tài)跟蹤器

全局狀態(tài)跟蹤器通過一個(gè)工作內(nèi)存(working memory)來跟蹤對(duì)話狀態(tài)。工作內(nèi)存在每個(gè)會(huì)話開始時(shí)是空的，然后在每個(gè)對(duì)話中將用戶和小冰的對(duì)話以及根據(jù)移情計(jì)算模塊從文本中檢測到的實(shí)體和移情標(biāo)簽，用文本字符串的形式來進(jìn)行存儲(chǔ)。

移情計(jì)算

小冰使用分層策略：

⑴頂級(jí)策略通過在每個(gè)對(duì)話輪次中選擇Core Chat或基于對(duì)話狀態(tài)激活的技能來管理整個(gè)會(huì)話;

⑵一組低級(jí)策略，每個(gè)策略對(duì)應(yīng)一種技能，用于管理其會(huì)話段。

對(duì)話策略旨在通過基于XiaoIce用戶反饋的迭代、反復(fù)試驗(yàn)和錯(cuò)誤過程來優(yōu)化長期用戶參與。

話題管理器(Topic Manager)

話題管理器模擬人類在對(duì)話期間更改話題的行為。它由一個(gè)分類器和一個(gè)話題檢索引擎組成，分類器用于在每個(gè)對(duì)話回合決定是否切換話題。

如果小冰對(duì)話題沒有足夠的了解，無法進(jìn)行有意義的對(duì)話，或者用戶感到厭煩，就會(huì)引發(fā)話題切換。

移情計(jì)算

移情計(jì)算反映了小冰的情商。

給定用戶輸入查詢Q，移情計(jì)算將上下文C考慮在內(nèi)，將Q改寫為上下文版本Qc，使用查詢移情向量eQ對(duì)用戶在對(duì)話中的感受和狀態(tài)進(jìn)行編碼，用響應(yīng)移情向量eR指定響應(yīng)R。

移情計(jì)算模塊的輸出表示為對(duì)話狀態(tài)向量s =（Qc，C，eQ，eR），用于選擇技能的對(duì)話策略和用于生成的激活技能（例如，CoreChat）的輸入。

移情計(jì)算模塊由三個(gè)部分組成：上下文查詢理解、用戶理解和人際響應(yīng)生成。

上下文查詢理解(CQU)

CQU根據(jù)C語中的上下文信息將Q重寫為Qc。例如下圖所示：

用戶理解

該組件基于Qc和C生成查詢移情向量eQ。eQ由表示用戶意圖、情緒，話題、觀點(diǎn)和用戶角色的鍵值對(duì)的列表組成，如下圖所示：

人際響應(yīng)生成

該組件生成響應(yīng)移情向量eR，它既指定了要生成的響應(yīng)的移情方面，也體現(xiàn)了小冰的角色。如下圖所示：

Core Chat

Core Chat是小冰IQ和EQ非常重要的組成部分。它與移情計(jì)算模塊一起提供了以文本輸入和生成人際響應(yīng)作為輸出的基本通信能力。

Core Chat由兩部分組成，一般聊天(Generate Chat)和域聊天(Domain Chat)。一般聊天負(fù)責(zé)參與涵蓋廣泛話題的開放性會(huì)話；域聊天負(fù)責(zé)在特定領(lǐng)域(如音樂、電影和名人)進(jìn)行更深入的對(duì)話。

因?yàn)橐话懔奶旌陀蛄奶於际鞘褂孟嗤囊鎸?shí)現(xiàn)的，所以在此只介紹一般聊天。

一般聊天

一般聊天是一個(gè)數(shù)據(jù)驅(qū)動(dòng)響應(yīng)生成系統(tǒng)。

它將對(duì)話狀態(tài)s =（Qc，C，eQ，eR）作為輸入，并在兩個(gè)階段輸出響應(yīng)R：響應(yīng)候選者生成和排名。

一般聊天可以從由人類生成的對(duì)話或文本組成的數(shù)據(jù)庫中檢索響應(yīng)候選者，或者通過神經(jīng)生成模型在運(yùn)行中生成響應(yīng)候選者。

使用未配對(duì)數(shù)據(jù)集和XiaoIce知識(shí)圖（KG）生成響應(yīng)候選的示例，本文為此顯示了與“北京”（上圖）話題相關(guān)的小冰KG片段。 對(duì)于人機(jī)對(duì)話（左下），每個(gè)用戶查詢被重寫為由箭頭指示的上下文查詢，然后識(shí)別其話題（例如，“北京”），相關(guān)話題（“八達(dá)嶺長城”和“ 從KG（頂部）檢索“北京小吃”），使用組合查詢話題及其相關(guān)話題的查詢從未配對(duì)數(shù)據(jù)集（右下角）檢索響應(yīng)候選者。

對(duì)話技能(Dialogue Skills)

小冰擁有230個(gè)對(duì)話技能，這些技能與Core Chat一起構(gòu)成了小冰的智商組成部分。接下來將從四個(gè)方面描述這些技能：圖像評(píng)論、內(nèi)容創(chuàng)建、深度參與和任務(wù)完成。

圖像評(píng)論

在社交聊天中，人們經(jīng)常圍繞著圖片進(jìn)行互動(dòng)。例如，在Twitter上，上傳照片和附帶的tweet(評(píng)論)變得越來越流行。

上圖示出了圍繞共享圖像的社交聊天。 可以看到，對(duì)話不僅基于可見對(duì)象（例如，男孩，自行車），而且還基于圖像中隱含的事件，動(dòng)作或甚至情緒（例如，比賽，獲勝）。

對(duì)于人類用戶來說，后面這些方面對(duì)于推動(dòng)有意義且有趣的對(duì)話更為重要。

圖像評(píng)論技能不僅可以正確識(shí)別對(duì)象并真實(shí)地描述圖像的內(nèi)容，還可以生成反映個(gè)人情感、態(tài)度、位置等的評(píng)論。

(a)圖像標(biāo)記；(b)圖像描述；(c)圖像評(píng)論。

內(nèi)容創(chuàng)建

這些技能使小冰能夠與人類用戶在創(chuàng)作活動(dòng)中進(jìn)行合作，包括基于文本的詩歌創(chuàng)作、基于語音的歌曲和有聲圖書創(chuàng)作。

上圖中的(a)展示了一位用戶使用小冰為她的母親制作了一個(gè)FM節(jié)目，為即將到來的春節(jié)做準(zhǔn)備。(b)展示了小冰可以根據(jù)用戶配置自動(dòng)創(chuàng)建一個(gè)故事，例如，這個(gè)故事是用于教育還是娛樂，主要人物的姓名、性別和性格等。

深度參與

深度參與技能是針對(duì)特定的話題和設(shè)置，滿足用戶特定的情感和智力需求，從而提高用戶的長期參與。下圖顯示了一些示例技能。

深度參與技能的例子。(a)食物識(shí)別與推薦技能，由食物圖片觸發(fā)；(b)“安慰我33天”技能，由用戶輸入中檢測到的極度負(fù)面情緒觸發(fā)；(c)“計(jì)數(shù)羊”技能，由類似“數(shù)羊”、“多少只羊”等短語觸發(fā)。(d)繞口令技能，由“開始繞口令”命令觸發(fā)。

這些技能可以在兩個(gè)維度上分成不同的系列：從IQ到EQ，從一對(duì)一到小組討論，如下圖所示：

任務(wù)完成(Task Completion)

與流行的語音助手（如Google智能助理和微軟Cortana）類似，小冰配備了一系列技能，可幫助用戶完成任務(wù)，包括天氣，設(shè)備控制（全雙工），按需點(diǎn)播，新聞推薦，Bing Knows等。如下圖所示：

任務(wù)完成技能的例子。(a)天氣技能，由“小冰，今天天氣如何”的命令觸發(fā)；(b)設(shè)備控制(全雙工)技能，由指令“小冰，該起床了”觸發(fā)。