基础
自然语言处理（NLP）
自然语言处理PaddleNLP-词向量应用展示
自然语言处理（NLP）-前预训练时代的自监督学习
自然语言处理PaddleNLP-预训练语言模型及应用
自然语言处理PaddleNLP-文本语义相似度计算（ERNIE-Gram）
自然语言处理PaddleNLP-词法分析技术及其应用
自然语言处理PaddleNLP-快递单信息抽取
理解
自然语言处理PaddleNLP-信息抽取技术及应用
自然语言处理PaddleNLP-基于预训练模型完成实体关系抽取--实践
自然语言处理PaddleNLP-情感分析技术及应用-理论
自然语言处理PaddleNLP-情感分析技术及应用SKEP-实践
问答
自然语言处理PaddleNLP-检索式文本问答-理论
自然语言处理PaddleNLP-结构化数据问答-理论
翻译
自然语言处理PaddleNLP-文本翻译技术及应用-理论
自然语言处理PaddleNLP-机器同传技术及应用-理论
对话
自然语言处理PaddleNLP-任务式对话系统-理论
自然语言处理PaddleNLP-开放域对话系统-理论
产业实践
自然语言处理 Paddle NLP - 预训练模型产业实践课-理论
常见的对话系统

• 个人助手
  •Apple Siri, Amazon Alexa, Baidu Xiaodu
• 客户服务•餐厅预定、商品咨询、债务催收
• 休闲娱乐
  •Microsoft XiaoIce,Replika

放域对话系统

• 检索式系统
• 生成式系统
  

检索式系统

生成模型

• Sequence-to-sequence
• Generative Pre-training Models

Sequence-to-sequence

Generative Pre-training Models

• BERT 使用了双向注意力机制，每个token可以向左向右看到各个token
• GPT 使用了单向注意力机制（从左到右）,是一个生成模型，每个 token只能看到自己和前他面的词，只能看到以前的，所以比较适合用来做生成任务，像平常说话也是一个词一个词的，Q：你有没有养宠物，A:我有一只猫，
• PrefixLM (Unified Transformer)使用了编码端双向、生成端单向的注意力机制,适合开放域的对话任务

解码策略

• Greedy Decoding

• Sampling-based Decoding

• 每一步，选取最可能的单词(i.e. argmax)

• 把选取的单词补充到input中，继续下一步解码

• 停止条件: 继续解码直到产生[EOS] 或者达到了事先定义的最大生成长度
  

Sampling-based Decoding

解码策略–总结

• Greedy decoding 方法很简单，但效果一般较差
• Sampling-baseddecoding可以得到更多样化/随机的回复
  •比较适合于开放式/创造性的生成任务，像对话、诗词、故事生成
  •Top-k/p sampling 可以通过调节k/p，对生成的多样性进行控制

对话评估

• 自动评估： BLEU、Distinct
• 人工评估

BLEU

Distinct

人工评估




开放域对话模型演进历史

PLATO-2



总结及展望

视频：https://aistudio.baidu.com/aistudio/course/introduce/24177?sharedLesson=1493709&sharedType=2&sharedUserId=2631487&ts=1687157269113
课件：https://aistudio.baidu.com/aistudio/course/introduce/24177?sharedLesson=1567921&sharedType=2&sharedUserId=2631487&ts=1687157254946