部署终身开放域对话学习
人工智能
2020-08-20 v2 计算与语言
摘要
NLP 研究多集中于众包静态数据集以及一次性训练后评估测试性能的的监督学习范式。正如 de Vries 等人 (2020) 所论证的，众包数据存在缺乏自然性以及与真实世界用例相关性不足的问题，而静态数据集范式不允许模型从自身使用语言的经验中学习（Silver 等人，2013）。相比之下，人们或许期望机器学习系统在与人类交互时变得更有用。在这项工作中，我们构建并部署了一个角色扮演游戏，人类玩家与置身于开放域幻想世界中的学习智能体进行对话。我们表明，通过在游戏中对人类对话进行训练，模型得以逐步改进，这由自动指标和在线参与度得分所衡量。当应用于与真实用户的对话时，这种学习被证明比众包数据更高效，且收集成本也低得多。
引用
@article{arxiv.2008.08076,
title = {Deploying Lifelong Open-Domain Dialogue Learning},
author = {Kurt Shuster and Jack Urbanek and Emily Dinan and Arthur Szlam and Jason Weston},
journal= {arXiv preprint arXiv:2008.08076},
year = {2020}
}