对话历史至关重要！多轮检索式聊天机器人中的个性化回复选择

现有的多轮上下文-回复匹配方法主要集中于获取多层次、多维度的表示以及上下文语句与回复之间更好的交互。然而，在真实对话场景中，一个回复候选是否合适不仅取决于给定的对话上下文，还取决于其他背景，例如措辞习惯、用户特定的对话历史内容。为了填补这些前沿方法与真实世界应用之间的差距，我们将用户特定的对话历史引入回复选择，并提出一种个性化混合匹配网络（PHMN）。我们的贡献有两点：1）我们的模型从用户特定的对话历史中提取个性化措辞行为作为额外的匹配信息；2）我们对上下文-回复语句进行混合表示学习，并显式引入定制的注意力机制以从上下文-回复交互中提取关键信息，从而提高匹配准确率。我们在两个带有用户标识的大型数据集上评估了我们的模型，即个性化 Ubuntu 对话语料库（P-Ubuntu）和个性化微博数据集（P-Weibo）。实验结果证实，通过结合个性化注意力、措辞行为和混合表示学习，我们的方法显著优于多个强模型。