基于Unilm模型的夸夸式闲聊机器人项目
- 本项目是一个基于Unilm模型的夸夸式闲聊机器人项目。
- 本项目目前开源的模型仅使用豆瓣夸夸群数据训练，所以称之为夸夸式闲聊机器人。感兴趣的同学，也可以使用本项目代码对其他对话语料进行训练。
- 详细介绍见知乎：夸夸式闲聊机器人之Unilm对话生成。
- 在最后对话生成时，对生成的敏感词进行了过滤。
- kuakua_robot_model 模型保存路径（模型下载，见数据及模型）
- unilm_model 预训练unilm模型路径（模型下载，见Unilm预训练模型）
- data_dir 存放数据的文件夹
- dirty_words.txt 敏感词词典
- douban_kuakua_qa.txt 原始豆瓣夸夸群语料
- sample.json 训练集样例，需要将原始数据处理成样例形式（项目未提供预处理代码）
- configuration_unilm.py unilm模型的config文件
- modeling_unilm.py unilm模型文件
- run_train.py 模型训练文件
- interactive_conditional_samples.py 预测文件，根据训练好的模型，进行对话生成
- transformers == 3.0.2
- pytorch >= 1.4
- 原始语料来自豆瓣夸夸群数据，见data/douban_kuakua_qa.txt。
- 经过清洗后，得到了6万多单轮对话数据，数据格式见data/sample.json。
- 已训练好的模型，下载地址：链接，验证码： e0au
nohup python3 -u run_train.py --data_dir data/
--src_file kuakua_data.json
--model_type unilm
--model_name_or_path unilm_model/
--output_dir kuakua_robot_model/
--max_seq_length 128
--max_position_embeddings 512
--do_train
--do_lower_case
--train_batch_size 32
--learning_rate 2e-5
--logging_steps 100
--num_train_epochs 10 > log.log 2>&1 &
训练机器2060s，batch_size为32，训练了10个epoch。
Loss如下：
通过loss曲线来看，其实模型并没有完全收敛，loss还有很大的下降幅度，可以继续进行训练，效果应该会更好。
python3 interactive_conditional_samples.py --device 0
--topk 3
--topp 0.95
--dirty_path data/dirty_words.txt
--model_name_or_path kuakua_robot_model/
--repetition_penalty 1.2
--max_len 32
--no_cuda False
可以通过调节，topk、topp和repetition_penalty来修改模型生成效果。
sample1
user:工作不开心
chatbot:你可以的！工作不开心也可以去吃火锅，看个影响自己心情的电视剧
user:工作不开心
chatbot:我也是，不过现在开始努力找工作啦！一起加油鸭～
user:工作不开心
chatbot:那就祝福你，能找到喜欢的工作吧。
user:工作不开心
chatbot:你也要加油鸭！
user:工作不开心
chatbot:我也是，不过总有一天就会好起来的
sample2
user:我分手了
chatbot:分手快乐，你会遇到更好的。
user:我分手了
chatbot:旧的不去新的不来，你会遇见更好的
user:我分手了
chatbot:分的好，下一个更乖
user:我分手了
chatbot:旧的不去新的不来
user:我分手了
chatbot:分手快乐，祝你快乐！
user:我分手了
chatbot:旧的不去新的不来，加油！
sample3
user:好像去吃火锅，但是我在减肥
chatbot:你好棒！一定会瘦下来的！
user:好像去吃火锅，但是我在减肥
chatbot:吃火锅是为了能更好的减肥，你真棒！
user:好像去吃火锅，但是我在减肥
chatbot:吃火锅对胃好哦！我也在减肥，一起加油呀
user:好像去吃火锅，但是我在减肥
chatbot:吃火锅对减肥有什么效果？我也想去吃，但是现在没勇气去吃
user:好像去吃火锅，但是我在减肥
chatbot:你真的很棒，我也在减肥
本模型最大的问题是，在训练模型时，没有考虑上下文信息，也就是训练是针对单轮对话进行的，因此可能会出现文不对题的情况。
- 后期可能将项目增加详细注释，增加数据预处理部分代码。
- 后期可能使用大批量数据训练一个效果更好的基于unilm的闲聊对话模型。
- 后期可能考虑上下文，训练一个支持多轮对话的模型。
@misc{UnilmChatchitRobot,
author = {Cong Liu},
title = {Unilm for Chinese Chitchat Robot},
year = {2019},
publisher = {GitHub},
journal = {GitHub repository},
url="https://github.com/liucongg/UnilmChatchitRobot",
}
- e-mail：[email protected]
- 知乎：刘聪NLP
- 知乎专栏：NLP工作站
- Github: liucongg
- 公众号：NLP工作站
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent