用于学习非结构化对话的双编码器 LSTM 模型
计算与语言
2026-01-28 v1 人工智能
信息检索
摘要
创建在大型非结构化对话数据集上训练的数据驱动模型，是开发基于检索的聊天机器人系统的关键步骤。本文提出一种基于长短期记忆（LSTM）的架构，可学习非结构化多轮对话，并在从给定回复集合中选取最佳回复的任务上给出结果。我们使用 Ubuntu 对话语料库第二版作为训练语料。我们表明，相较于基准模型，我们的模型在 Recall@1、Recall@2 与 Recall@5 上分别取得 0.8%、1.0% 与 0.3% 更高的准确率。我们还展示了在所提架构上使用若干相似度函数、模型超参数与词嵌入进行实验的结果。
引用
@article{arxiv.2104.12269,
title = {A Bi-Encoder LSTM Model For Learning Unstructured Dialogs},
author = {Danny Brahman and Pooran S. Negi and Mohammad Mahoor},
journal= {arXiv preprint arXiv:2104.12269},
year = {2026}
}