当我们提到对话机器人，你是否也会像我一样立刻想起与Siri或者Alexa的一次次对话，虽然它们有时候可能会让你啼笑皆非，但也无可否认它们确实为我们的生活带来了很大便利。然而，训练这样的对话AI，其难点在于如何获取高质量的对话数据。过去我们通常需要收集大量的人类对话作为训练数据，这既费时又费力。那么，有没有更好的方法呢？
偶然想起去年阅读的一篇论文，介绍了一种对话补全的方案，非常有趣。今天就向大家介绍一种全新的方法------对话补全，它能帮我们把普通的文档转变成聊天记录。让我们一起探索这个颠覆传统的技术，看看它如何打破界限，让任何一篇文档都能"说话"。
首先，让我们看一下"对话补全"（inpainting）这个词。它其实是从图像处理那块借用过来的，原意是指用周围的像素信息来补全图片中缺失或者损坏的部分。而在这篇论文里，我们可以理解为用已有的对话内容来推测和补全对话中缺失的部分。就好像我们在看一幅画时，如果画中有一部分缺失，我们就会想象这部分应该是什么样的，以使画看上去更完整。在对话补全中，我们也是这样，利用已有的对话内容来猜测缺失的部分，让整个对话听起来更流畅、更完整。
下面我们来看看这个论文是怎么讲的。
简介
对话机器人需要大量的优质对话来进行训练，但这种数据往往不太好找。因此，论文作者想出了一种新的方法，叫做"对话补全"，就是把普通的文章改编成像我们日常聊天一样的对话。这样一来，我们就能从各种各样的文章中获取大量的对话内容了。具体来说，就是把文章的每一句话看作一个人的发言，然后机器人就要猜测另一个人可能的回答或者提问。
训练的部分
对话补全器（inpainting）使用的是一种叫做T5的生成模型，这是一种编码器-解码器的模型。这个模型的训练方法跟我们之前见过的BERT模型有点类似，只不过有一个关键的不同：BERT是在句子中遮蔽单个的词语来训练模型，而在这里，我们是遮蔽掉整个发言来训练模型。
举个例子，考虑以下对话：
讲话者1："你好，你怎么样？"
讲话者2："我很好，谢谢你。你呢？"
讲话者1："我也很好，谢谢你的关心。"
在对话补全任务中，可能会遮蔽一个完整的发言，像这样：
讲话者1："你好，你怎么样？"
讲话者2：？
讲话者1："我也很好，谢谢你的关心。"
模型的任务就是预测缺失的发言（在这个例子中，"我很好，谢谢你。你呢？"）。用于训练的损失函数是标准的交叉熵损失，它的目标是最小化原始发言在部分对话给出的情况下的负对数概率。
推理阶段
在推理阶段，训练好的补全模型被用来将一篇文章转化为对话。假设我们有一篇这样的文章：
"猫是小型的食肉哺乳动物。"
"它们经常被当作宠物。"
"猫有强壮的柔韧体骼，反应快，爪子锐利且可以伸缩。"
这篇文章被视作在一个假设的对话中，作者的一系列发言。这个对话最初看起来像这样：
作者："猫是小型的食肉哺乳动物。"
读者：？
作者："它们经常被当作宠物。"
读者：？
作者："猫有强壮的柔韧体骼，反应快，爪子锐利且可以伸缩。"
读者：？
问号代表对话中缺失的部分，这就是对话补全模型设计的目的，去填补这些缺失的部分。用了对话补全模型后，对话可能会变成这样：
作者："猫是小型的食肉哺乳动物。"
读者："猫一般常在哪些地方出没呢？"
作者："它们经常被当作宠物。"
读者："猫有哪些特殊的身体特征呢？"
作者："猫有强壮的柔韧体骼，反应快，爪子锐利且可以伸缩。"
读者："真有意思，你能再多介绍一些关于猫的行为习性吗？"
文章和对话的例子
再让我们看另一篇文章：
"大象是大型哺乳动物。"
"它们有长长的鼻子。"
"大象是食草动物。"
用了对话补全模型后，对话可能会变成这样：
作者："大象是大型哺乳动物。"
读者："大象有哪些独特的特征呢？"
作者："它们有长长的鼻子。"
读者："大象平时都吃些什么？"
作者："大象是食草动物。"
读者："真有趣，你能告诉我更多关于大象的栖息地信息吗？"
总结
"对话补全"就像是给聊天记录中的空白部分填充内容。它可以帮我们把普通的文章变成像人们日常对话一样的聊天记录。这对于训练聊天机器人来说是个好方法，因为它能提供大量丰富、真实的对话内容。所以，这个技术可能会给聊天机器人的发展带来很大的帮助。