面向非结构化人物角色对话生成的神经主题扩展框架

非结构化人物角色导向对话系统（UPDS）已被证明可通过利用预定义的自然语言用户人物角色描述（如“我是一名素食者”）来生成人物角色一致的回复。然而，预定义的用户人物角色描述通常较短且仅限于少数描述性词语，这使其难以与对话相关联。因此，现有方法在生成人物角色一致回复时要么未能利用人物角色描述，要么利用不当。为此，我们提出了一种神经主题扩展框架，即人物角色探索与利用（PEE），它能够在利用预定义用户人物角色描述生成对话回复之前，用语义相关的内容对其进行扩展。PEE由两个主要模块组成：人物角色探索和人物角色利用。前者通过学习使用基于变分自编码器（VAE）的主题模型挖掘现有对话语料并与之关联，来扩展预定义的用户人物角色描述。后者通过学习利用预定义和扩展的用户人物角色描述来生成人物角色一致的回复。为使人物角色利用更恰当地学习利用用户人物角色描述，我们还引入了两个面向人物角色的损失函数：面向人物角色的匹配（P-Match）损失和面向人物角色的词袋（P-BoWs）损失，分别监督编码器与解码器中的人物角色选择。实验结果表明，我们的方法在自动与人工评估方面均优于最先进的基线方法。