基于知识检索式聊天机器人中用于知识接地响应选择的先过滤后迭代指代
计算与语言
2020-09-22 v2
摘要
构建知识接地的基于检索的聊天机器人的挑战在于如何将对话立足于其背景知识，以及如何同时将响应候选与上下文和知识进行匹配。本文针对该任务提出一种名为先过滤后迭代指代（FIRE）的方法。在该方法中，首先构建上下文过滤器和知识过滤器，它们通过全局与双向注意力分别导出知识感知的上下文表示和上下文感知的知识表示。此外，与对话无关的条目被知识过滤器丢弃。此后，在上下文与响应表示之间以及知识与响应表示之间执行迭代指代，以收集深度匹配特征用于对响应候选打分。实验结果表明，在 PERSONA-CHAT 数据集上（分别使用原始与修订人物设定），FIRE 以超过 2.8% 和 4.1% 的幅度优于先前方法，在 CMU_DoG 数据集上以超过 3.1% 的幅度（按 top-1 准确率计）优于先前方法。我们还通过可视化知识接地过程表明 FIRE 更具可解释性。
引用
@article{arxiv.2004.14550,
title = {Filtering before Iteratively Referring for Knowledge-Grounded Response Selection in Retrieval-Based Chatbots},
author = {Jia-Chen Gu and Zhen-Hua Ling and Quan Liu and Zhigang Chen and Xiaodan Zhu},
journal= {arXiv preprint arXiv:2004.14550},
year = {2020}
}
备注
Accepted by EMNLP 2020 Findings