通过阅读对话：具备按需机器阅读的内容型神经对话
计算与语言
2019-06-10 v2 人工智能
机器学习
摘要
尽管神经对话模型能有效学习如何生成流畅回复，其主要挑战在于知道该说什么以使对话有内容且不空洞。我们提出一种内容型神经对话的新端到端方法，联合建模回复生成与按需机器阅读。其核心思想是按需为对话模型提供相关长文本作为外部知识来源。模型针对每个对话轮次对该文本进行 QA 式阅读理解，从而比先前方法能更聚焦地整合外部知识。为支持基于知识的对话进一步研究，我们引入了一个基于外部网页的大规模新对话数据集（280 万轮次，740 万句 grounding 文本）。人工评估与自动指标均表明，相较于多种先前方法，我们的方法生成了更具内容的回复，提升了生成输出的信息量与多样性。
关键词
引用
@article{arxiv.1906.02738,
title = {Conversing by Reading: Contentful Neural Conversation with On-demand Machine Reading},
author = {Lianhui Qin and Michel Galley and Chris Brockett and Xiaodong Liu and Xiang Gao and Bill Dolan and Yejin Choi and Jianfeng Gao},
journal= {arXiv preprint arXiv:1906.02738},
year = {2019}
}
备注
ACL 2019 long paper