基于原型引导释义的任务型对话响应生成多样化
计算与语言
2020-08-11 v1 人工智能
摘要
任务型对话系统（TDSs）中现有的对话响应生成（DRG）方法可分为两类：基于模板的和基于语料的。前者预先准备一组响应模板，并在运行时用系统动作填充槽位以产生系统响应。后者通过考虑系统动作逐词符生成系统响应。虽然基于模板的 DRG 提供高精度和高度可预测的响应，但与（神经）基于语料的方法相比，它们通常在生成多样且自然的响应方面有所欠缺。反之，虽然基于语料的 DRG 方法能够生成自然响应，我们无法保证其精度或可预测性。此外，当今基于语料的 DRG 方法所产生响应的多样性仍然有限。我们提出通过引入一个称为 P2-Net 的基于原型、释义的神经网络，结合基于模板和基于语料的 DRG 的优点，旨在从精度和多样性两方面提升响应质量。P2-Net 不是从头生成响应，而是通过释义基于模板的响应来生成系统响应。为保证响应的精度，P2-Net 学习将响应分离为其语义、上下文影响和释义噪声，并在释义过程中保持语义不变。为引入多样性，P2-Net 随机采样先前的对话话语作为原型，模型可从中提取说话风格信息。我们在 MultiWOZ 数据集上进行了包含自动与人工评估的广泛实验。结果表明 P2-Net 在保持响应语义的同时实现了多样性的显著提升。
引用
@article{arxiv.2008.03391,
title = {Diversifying Task-oriented Dialogue Response Generation with Prototype Guided Paraphrasing},
author = {Phillip Lippe and Pengjie Ren and Hinda Haned and Bart Voorn and Maarten de Rijke},
journal= {arXiv preprint arXiv:2008.03391},
year = {2020}
}
备注
under review at TASLP