Unilm for Chinese Chitchat Robot.基于Unilm模型的夸夸式闲聊机器人项目。.zip

# Unilm for Chinese Chitchat Robot 基于Unilm模型的夸夸式闲聊机器人项目 ## 项目描述 * 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](https://zhuanlan.zhihu.com/p/170358507)。 * 在最后对话生成时，对生成的敏感词进行了过滤。 ## 文件结构 * 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](https://github.com/YunwenTechnology/Unilm)） * 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 ## 运行环境 * transformers == 3.0.2 * pytorch >= 1.4 ## 数据及模型 * 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](https://pan.baidu.com/s/1OWxxeGC2rndwVCGav8kbqQ)，验证码： [e0au]() ## Train ``` 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。 ## Test ``` 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。 ## Result 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 ``` ## 不足 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。 ## 未来工作 - [ ] 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。 ## 参考 * [Unilm](https://github.com/YunwenTechnology/Unilm) ## Citing ``` @misc{UnilmChatchitRobot, author = {Cong Liu}, title = {Unilm for Chinese Chitchat Robot}, year = {2019}, publisher = {GitHub}, journal = {GitHub repository}, url="https://github.com/liucongg/UnilmChatchitRobot", } ``` ## 联系作者 * e-mail：logcongcong@gmail.com * 知乎：[刘聪NLP](https://www.zhihu.com/people/LiuCongNLP) * 知乎专栏：[NLP工作站](https://zhuanlan.zhihu.com/c_1131882304422936576) * Github: [liucongg](https://github.com/liucongg) * 公众号：[NLP工作站]()