近日，在斯坦福大學(xué)發(fā)起的SQuAD（Stanford Question Answering）數(shù)據(jù)集測試榜單中，科大訊飛與哈工大聯(lián)合實(shí)驗(yàn)室(HFL)提交的系統(tǒng)模型奪得第一，這也是中國本土研究機(jī)構(gòu)首次取得該比賽的冠軍。在加拿大溫哥華舉辦的ACL大會現(xiàn)場，雷鋒網(wǎng)對正在參加大會的科大訊飛研究院副院長王士進(jìn)進(jìn)行了專訪，王士進(jìn)不僅向雷鋒網(wǎng)介紹了訊飛取得良好成績的關(guān)鍵因素，還對在機(jī)器閱讀理解領(lǐng)域的未來研發(fā)方向及產(chǎn)業(yè)化狀況做了解答。王士進(jìn)認(rèn)為，機(jī)器閱讀理解具有廣闊的應(yīng)用場景，目前的成績只是萬里長征的第一步，訊飛也會繼續(xù)探索機(jī)器閱讀理解技術(shù)落地應(yīng)用的場景。

王士進(jìn)：博士，科大訊飛北京研究院院長，兼科大訊飛研究院副院長。2003年本科畢業(yè)于中國科技大學(xué)，2008年博士畢業(yè)于中科院自動化所，長期從事語音、語言、人工智能方向研究，主持的語音評測技術(shù)國內(nèi)首次應(yīng)用大規(guī)模英語口語考試，主持的機(jī)器翻譯曾兩次獲國際比賽第一名。作為主要負(fù)責(zé)人參加了863計(jì)劃重點(diǎn)項(xiàng)目、工信部電子信息產(chǎn)業(yè)發(fā)展基金項(xiàng)目等項(xiàng)目，在相關(guān)國際會議和期刊上有多篇學(xué)術(shù)論文，擁有十幾項(xiàng)專利和軟件著作權(quán)。

以下是采訪實(shí)錄，雷鋒網(wǎng)就全文進(jìn)行了不改原意的刪減：

Q：在SQuAD之前還有哪些類似的數(shù)據(jù)集？相比SQuAD有什么不足？

A：之前像Facebook、Google和微軟都有一些類似的測試和數(shù)據(jù)集，但都沒能起到像SQuAD這樣的影響。

像Facebook，他的特點(diǎn)是用機(jī)器去自動生成一些問題，這樣會有兩個(gè)缺點(diǎn)：第一，機(jī)器生成的問題集合不大；第二，用機(jī)器生成問題，再用機(jī)器去學(xué)習(xí)，這樣比較容易學(xué)到機(jī)器的Model；

Google Deepmind做過一個(gè)測試集，主要是在新聞?lì)I(lǐng)域上，主要是在新聞?lì)I(lǐng)域上，就是一個(gè)新聞前面有一個(gè)摘要，這個(gè)摘要和正文內(nèi)容相近但又不完全一樣，把這里面的一部分實(shí)體摳掉，然后就可以形成問題。缺點(diǎn)是有摘要的新聞數(shù)據(jù)不多；

還有微軟，之前還做了一個(gè)比較小的數(shù)據(jù)集叫MCTest，它和斯坦福的SQuAD比較接近，主要問題是數(shù)據(jù)集比較小，只有一百多篇文章，兩千來個(gè)問題。

所以大家為什么認(rèn)為SQuAD是閱讀理解的ImageNet？第一，它是通過眾包采用人工做出來的問題，第二，這個(gè)數(shù)據(jù)集特別大，所以很多單位都在圍繞著SQuAD做一些研究工作。

Q：閱讀理解是NLP領(lǐng)域里一個(gè)比較關(guān)鍵的問題嗎？

A：對，這是公認(rèn)的一個(gè)難題，也是大家認(rèn)為的一個(gè)非常重要的趨勢。它隱含的首先是精準(zhǔn)的問答，這其實(shí)是NLP里面一個(gè)比較經(jīng)典的問題。我們知道的IBM Watson在“危險(xiǎn)邊緣”和人類選手的PK，它其實(shí)更多的是知識的記憶，相對于機(jī)器，人很難記憶這么多的知識點(diǎn)，但反而在對一篇簡單的文章的理解上機(jī)器還有著差距。

我們說一篇文章，它也可能有其他的形式，像在產(chǎn)品上就是一本說明書，在司法領(lǐng)域可能是一個(gè)電子卷宗，在醫(yī)療領(lǐng)域可能是一個(gè)人的病歷?；谶@個(gè)東西去問你一個(gè)問題你要給出一個(gè)答案，這是一個(gè)非常有意義，也是非常難的事情。所以國際大部分主流研究團(tuán)隊(duì)也在做這方面的工作，包括微軟、Google、蘋果、Facebook、百度、訊飛等。

Q：目前對于這種精準(zhǔn)問答的研究進(jìn)展到什么程度？

A：這方面大家也做了很多的工作，但從目前來看總體的效果還不是能讓所有人滿意。因?yàn)樵谡J(rèn)知推理方面，大家覺得現(xiàn)在機(jī)器還沒有達(dá)到人所具備的真實(shí)能力，像我們開始定義這個(gè)問題的時(shí)候，我們給這個(gè)項(xiàng)目起名叫“六齡童”，按我們評價(jià)效果來看，我們找了很多六歲也就是小學(xué)一年級的孩子來做對比評價(jià)，基本我們比小學(xué)一年級的水平要高一點(diǎn)點(diǎn)。

Q：iMageNet競賽已經(jīng)有八年歷史，而SQuAD近兩年才出來，為什么會有這樣的差別？

A：這與閱讀理解技術(shù)的突破有關(guān)。早期在做“理解”的做法更多是基于模塊去做，分析篇章和問題，然后拿分析的篇章和問題去找對應(yīng)關(guān)系，這樣做整體錯(cuò)誤就會特別多，這也是這個(gè)領(lǐng)域整體技術(shù)進(jìn)展不大的原因。而近一兩年來隨著深度學(xué)習(xí)技術(shù)在自然語言領(lǐng)域的應(yīng)用，大家都用深度學(xué)習(xí)技術(shù)來訓(xùn)練、處理篇章和問題，開始取得了一些進(jìn)展，所以大家才開始去做源頭的東西也就是數(shù)據(jù)，斯坦福也是在這種潮流下推出的SQuAD。

Q：換言之，SQuAD的起點(diǎn)比ImageNet要高？

A：對。它主要是出來的時(shí)間晚一點(diǎn)，現(xiàn)在SQuAD才到第二年，大家的模糊匹配結(jié)果(F1-Score)已經(jīng)普遍做到百分之八十多了，但大家認(rèn)為這個(gè)事情希望做到百分之九十甚至以上的時(shí)候才能夠接近人類。我估計(jì)現(xiàn)在可能再有一年左右的時(shí)間，精確匹配（Exact Match）和模糊匹配(F1-Score)就能夠達(dá)到這樣的水平。

Q：再往后呢？比如說，95%或者99%?

A：像ImageNet一樣，它做到一定程度后可能就不會再做下去了。這有兩種類型，一種是技術(shù)可能會基本解決現(xiàn)在的問題，然后會繼續(xù)提出新的問題；另一種是在解決問題后會往產(chǎn)品化方向去做，例如我提到的電子卷宗和病歷的例子。

科大訊飛也在做一些產(chǎn)品化方面的嘗試。例如電子說明書，現(xiàn)在產(chǎn)品電子化程度越來越高，說明書越來越復(fù)雜，很多人在遇到問題的時(shí)候是不清楚的。我們也是把這塊技術(shù)和我們原來的語音交互系統(tǒng)結(jié)合，你去問一些問題，可能是像天氣或者聽音樂這樣的一些簡單的問題，但也有可能是更深入的一些服務(wù)，例如醫(yī)學(xué)推薦等更精確的解決方案。

Q：這次訊飛取得了第一名的成績，采用的方法和其他參賽者有什么不同嗎？

A：從大的方向看大家可能都差不多，主流的做法都是用深度學(xué)習(xí)。原來的做法是，它會給出一些訓(xùn)練集，包括包括篇章、問題和對應(yīng)的答案，然后通過神經(jīng)網(wǎng)絡(luò)去學(xué)習(xí)，自動構(gòu)建找到問題和答案的對應(yīng)關(guān)系的一個(gè)方式。但我們做法有兩點(diǎn)不一樣的地方，一個(gè)是我們的“基于交互式層疊注意力模型”，一開始她可能先鎖定住一些片段，然后通過多輪迭代的方式進(jìn)行過濾，進(jìn)一步鎖定篩選出更精準(zhǔn)的一些內(nèi)容，去除整篇文章的干擾，最終得出問題的答案。

第二，我們采用了模型融合的方式。對于問題我們會提出不同的模型，然后對這些模型進(jìn)行一個(gè)融合（ensamble）。因?yàn)槲覀冎?，一般來說單一模型的性能并不是特別好，我們其實(shí)研究的是如何把多個(gè)不同機(jī)理的模型融合和在一起產(chǎn)生最好的效果。

我們在SQuAD這個(gè)數(shù)據(jù)集上面大概做了四個(gè)多月的時(shí)間。其他一些機(jī)構(gòu)做得更久一些，像微軟從這個(gè)數(shù)據(jù)集開始設(shè)計(jì)的時(shí)候就參與了，做了一年多了吧。其他還有像Salesforce、國內(nèi)的浙大、復(fù)旦都有參加，成績刷新得很快，基本兩周或者一個(gè)月就會被刷新一次。

Q：所以現(xiàn)在可能就是在看，誰能夠第一個(gè)突破一個(gè)比較重要的關(guān)口，比如說90%？

A：對。我們認(rèn)為90%是一個(gè)比較重要的關(guān)口，再往后的話我們就看第二關(guān)，就是誰能夠最先落地去應(yīng)用。因?yàn)榫瓦@個(gè)數(shù)據(jù)集本身來說，到了90%以后意義可能并不是特別大，最關(guān)鍵的還是能夠在真實(shí)的業(yè)務(wù)場景里面把這個(gè)技術(shù)盡快落地。現(xiàn)在的數(shù)據(jù)也很大，但相對于工業(yè)級的數(shù)據(jù)來說還是偏小。

Q：工業(yè)級的大數(shù)據(jù)大概會是怎樣的一個(gè)量級？

A：像ImageNet這種數(shù)據(jù)量從科研角度來說還是很大的?？墒堑搅斯I(yè)級，比如說我們語音，工業(yè)級的數(shù)據(jù)量可能是原來的上百倍甚至上千倍，而且更重要的是，這是真實(shí)的數(shù)據(jù)，相對于科研上問When、Where、Who的問題，像How、Why這樣更復(fù)雜的問題一定會更多，如何去解決這種真實(shí)的問題，我覺得我們這真是萬里長征的第一步，拿現(xiàn)在的技術(shù)到工業(yè)應(yīng)用上基本是不能直接用的。

Q : 除了這些現(xiàn)實(shí)應(yīng)用的問題，訊飛在做這方面的研究還有遇到一些怎樣的挑戰(zhàn)，如何解決的？

A：從以單個(gè)詞為答案的閱讀理解到目前以文章片段（短語或句子）作為答案的閱讀理解最大的不同是要精準(zhǔn)的控制答案的邊界。機(jī)器選擇答案的邊界容易多一個(gè)詞或少一個(gè)詞，這就會造成答案不夠精準(zhǔn)。而人在做這類閱讀理解題的時(shí)候就不會出現(xiàn)這種問題，會去選擇語義單元較為完整的文章片段。 我們在研究初期經(jīng)常遇到這種問題，當(dāng)時(shí)主要是通過對答案的邊界詞進(jìn)行一些懲罰，例如對邊界出現(xiàn)介詞的情況懲罰等等。但在后期隨著模型效果提升，此類問題得到逐步緩解，這種懲罰的收益就不那么明顯了。

Q：那么解決問題的關(guān)鍵點(diǎn)是不是也是如何建模和調(diào)參數(shù)？訊飛在這方面有什么經(jīng)驗(yàn)？

A：對，包含建模。我們雖然說神經(jīng)網(wǎng)絡(luò)是一個(gè)黑盒子，但最關(guān)鍵的是，這里面的技術(shù)是怎么去組合的。我們在網(wǎng)上也公開了我們自己的模型結(jié)構(gòu)，這里面包含兩個(gè)部分，第一是模型結(jié)構(gòu)，決定了模型是否足夠優(yōu)秀來解決問題；第二就是參數(shù)調(diào)整，參數(shù)調(diào)整上我們也有很多細(xì)節(jié)，我們在這里就不展開了。

Q：訊飛已經(jīng)做出了最好的閱讀理解系統(tǒng)，在未來還有怎樣的計(jì)劃？

A：哈工大訊飛聯(lián)合實(shí)驗(yàn)室曾先后在Google DeepMind閱讀理解公開數(shù)據(jù)測試集、Facebook閱讀理解公開數(shù)據(jù)測試集取得世界最好成績，本次在SQuAD測試集再獲全球最佳，包攬了機(jī)器閱讀理解權(quán)威測試集的“大滿貫”。對訊飛來說，現(xiàn)在只是萬里長征的第一步，訊飛會繼續(xù)推進(jìn)在自然語言領(lǐng)域更深層次的歸納、總結(jié)、推理的研究工作，往后訊飛也會在不同領(lǐng)域繼續(xù)探索閱讀理解技術(shù)應(yīng)用落地的場景。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。