CADGE：基于图结构知识聚合增强的上下文感知对话生成

常识知识对许多自然语言处理任务至关重要。现有工作通常使用常规图神经网络（GNNs）来融合图知识，从而形成将文本知识与基于图的知识编码过程分隔开的顺序流水线。然而，这种分隔并未充分利用这两类输入知识之间的上下文交互。本文提出了一种新颖的上下文感知图注意力模型（Context-aware GAT），旨在通过上下文增强的知识聚合机制有效吸收来自相关知识图的全局特征。具体而言，所提出的框架采用一种创新的表示学习方法，通过将扁平化图知识与文本数据相融合，来协调异构特征。本文分析了在连通子图内分层应用图知识聚合，并辅以上下文信息，以增强常识驱动对话生成的过程。实证结果表明，我们的框架在性能上优于基于常规 GNN 的语言模型。自动化与人工评估均证实了所提模型相较概念流基线所取得的显著性能提升。