解耦任务型对话中的语言与知识
机器学习
2019-04-08 v3 计算与语言
机器学习
摘要
用于现实应用（如电影订票或餐厅预订）的知识库（KB）随时间不断变化。为这些任务型对话训练的端到端神经网络应不受KB任何变化的影响。然而，现有方法在应对此类变化时表现失效。我们提出一种带新颖序列袋（BoSs）存储器的编码器-解码器架构（BoSsNet），它促进了回复语言模型与其知识融合的解耦学习。因此，KB可用新知识修改而不会损失可解释性。我们发现BoSsNet优于最先进（SOTA）模型，在bAbI OOV测试集与其他人-人数据集上有显著改进（>10%）。我们还系统性地修改现有数据集以度量解耦程度，并展示BoSsNet对KB修改具有鲁棒性。
引用
@article{arxiv.1805.01216,
title = {Disentangling Language and Knowledge in Task-Oriented Dialogs},
author = {Dinesh Raghu and Nikhil Gupta and Mausam},
journal= {arXiv preprint arXiv:1805.01216},
year = {2019}
}
备注
Published in NAACL-HLT 2019