通过候选重排序增强神经对话模型中的自我表露
计算与语言
2023-08-29 v3
摘要
神经语言建模推动了不同下游自然语言处理（NLP）任务的最先进水平。其中一个领域是开放域对话建模，基于 GPT-2 的神经对话模型（如 DialoGPT）已在单轮对话中展现出良好性能。然而，此类（神经）对话模型被批评生成的回复虽可能与前一人回复相关，却易迅速消磨人类兴趣并陷入琐碎对话。造成此表现的一个原因是人机对话中缺乏显式的对话策略。人类在交谈中使用一系列对话策略，其中一项关键社交策略是自我表露（SD），即向他人透露关于自身信息的现象。社交渗透理论（SPT）提出，两人间交流随关系推进主要通过自我表露从浅层走向更深层次。表露有助于在对话参与者间建立融洽关系。本文引入自我表露增强架构（SDEA），在神经对话模型推理阶段利用自我表露主题模型（SDTM）对回复候选重排序，以增强模型单轮回复中的自我表露。
引用
@article{arxiv.2109.05090,
title = {Enhancing Self-Disclosure In Neural Dialog Models By Candidate Re-ranking},
author = {Mayank Soni and Benjamin Cowan and Vincent Wade},
journal= {arXiv preprint arXiv:2109.05090},
year = {2023}
}
备注
10 pages, 3 figures, 2 table