CDL：用于情感可控回复生成的课程对偶学习
计算与语言
2020-06-09 v5 人工智能
机器学习
摘要
情感可控回复生成是一项引人注目且有价值的任务，旨在使开放域对话更具共情性与吸引力。现有方法主要通过在标准交叉熵损失中添加正则化项来增强情感表达，从而影响训练过程。然而，由于缺乏对内容一致性的进一步考量，回复生成任务的常见问题即安全回复被加剧。此外，有助于建模查询与回复之间关系的查询情感在先前模型中被简单忽略，这将进一步损害连贯性。为缓解这些问题，我们提出一种名为课程对偶学习（CDL）的新框架，该框架将情感可控回复生成扩展为一个对偶任务，交替生成情感化回复与情感化查询。CDL利用两个分别关注情感与内容的奖励来改进对偶性。此外，它应用课程学习，基于表达不同情感的难度逐步生成高质量回复。实验结果表明，CDL在连贯性、多样性及与情感因素的相关性方面显著优于基线。
引用
@article{arxiv.2005.00329,
title = {CDL: Curriculum Dual Learning for Emotion-Controllable Response Generation},
author = {Lei Shen and Yang Feng},
journal= {arXiv preprint arXiv:2005.00329},
year = {2020}
}
备注
To appear at ACL 2020 (long paper)