FCM：一种用于多轮对话推理的细粒度比较模型
计算与语言
2021-09-24 v2
摘要
尽管神经对话系统在排行榜上取得了高性能，但由于推理能力薄弱，它们无法满足用户的实际需求。其根本原因在于，大多数神经对话模型仅捕获了句法和语义信息，却未能对对话历史与生成回复之间的逻辑一致性进行建模。近来，为促进对话推理研究，提出了一种新的多轮对话推理任务。然而，该任务具有挑战性，因为不合逻辑的回复与对话历史之间仅存在细微差异。如何有效解决这一挑战仍值得探索。本文提出一种细粒度比较模型（FCM）来处理该问题。受人类阅读理解行为的启发，提出了一种比较机制，以关注每个回复候选表示中的细粒度差异。具体而言，将每个候选表示与整个历史进行比较，获得历史一致性表示。此外，考虑每个候选与说话者自身历史之间的一致性信号，以驱动模型偏好与说话者历史逻辑逻辑一致的候选。最后，利用上述一致性表示输出候选回复的排序列表，用于多轮对话推理。在两个公开对话数据集上的实验结果表明，我们的方法获得了比基线模型更高的排序分数。
引用
@article{arxiv.2109.10510,
title = {FCM: A Fine-grained Comparison Model for Multi-turn Dialogue Reasoning},
author = {Xu Wang and Hainan Zhang and Shuai Zhao and Yanyan Zou and Hongshen Chen and Zhuoye Ding and Bo Cheng and Yanyan Lan},
journal= {arXiv preprint arXiv:2109.10510},
year = {2021}
}
备注
EMNLP2021 Findings