面向用户画像不完整的个性化任务型对话系统的协作记忆网络

开发个性化任务型对话系统（TDSs）的兴趣日益增长。先前关于个性化TDSs的工作通常假设大多数甚至所有用户都有完整的用户画像。这是不现实的，因为（1）由于隐私顾虑，并非每个人都愿意暴露其画像；且（2）丰富的用户画像可能涉及大量属性（例如性别、年龄、喜好……）。本文研究在不假设用户画像完整的情形下的个性化TDSs。我们提出一种协作记忆网络（CoMemNN），其具有一种新颖机制，可随对话推进逐步丰富用户画像，并同时基于丰富后的画像改进回复选择。CoMemNN由两个核心模块组成：用户画像丰富（UPE）与对话回复选择（DRS）。前者利用来自邻居用户以及当前对话的协作信息来丰富不完整的用户画像。后者使用丰富后的画像更新当前用户查询以编码更有用的信息，并基于此选择针对用户请求的个性化回复。我们在个性化bAbI对话基准数据集上进行了广泛实验。我们发现CoMemNN能够有效丰富用户画像，相较于最先进的方法在回复选择准确率上提升了3.06%。我们还通过随机丢弃用户画像中的属性值来测试CoMemNN对用户画像不完整的鲁棒性。即使丢弃50%的属性值，CoMemNN仍能与未丢弃用户画像的最佳基线性能相匹配，显示了CoMemNN的鲁棒性。