面向个性化任务型对话系统的细粒度知识迁移
计算与语言
2017-11-15 v1 人工智能
摘要
训练个性化对话系统需要大量数据，而单个用户收集的数据通常不足。针对该问题的一种常见做法是在不同用户间共享训练对话，并通过迁移学习共同训练多个序列到序列对话模型。然而，当前的序列到序列迁移学习模型在整句上操作，若不同用户的个人信息混杂，可能导致负迁移。我们提出一种个性化解码器模型，在不同用户间迁移更细粒度的短语级知识，同时保持各用户的个人偏好不变。引入了一种新颖的个人控制门，使个性化解码器能够在生成个性化短语与共享短语之间切换。所提出的个性化解码器模型可轻松结合多种深度模型，并可通过强化学习训练。真实世界实验结果表明，短语级个性化解码器相较多个句子级迁移基线模型的 BLEU 提升高达 7.5%。
引用
@article{arxiv.1711.04079,
title = {Fine Grained Knowledge Transfer for Personalized Task-oriented Dialogue Systems},
author = {Kaixiang Mo and Yu Zhang and Qiang Yang and Pascale Fung},
journal= {arXiv preprint arXiv:1711.04079},
year = {2017}
}