GECOR:一种面向任务型对话的端到端生成式省略与共指消解模型
计算与语言
2019-09-27 v1 人工智能
机器学习
摘要
省略和共指十分常见且无处不在,尤其在多轮对话中。本文将对话中省略与共指的消解视为从对话上下文生成省略或指代表达式的问题。因此我们提出了在对话语境下的统一端到端生成式省略与共指消解模型(GECOR)。该模型可通过为每个用户话语交替生成与复制模式来生成新的语用完整用户话语。进一步提出了多任务学习框架,将 GECOR 集成到端到端任务型对话中。为训练 GECOR 与多任务学习框架,我们在带有省略和共指标注的公开数据集 CamRest676 基础上手动构建了一个新数据集。在该数据集上,针对省略与共指消解的内在评价表明,GECOR 模型在 EM、BLEU 和 F1 上显著优于序列到序列(seq2seq)基线模型;而针对下游对话任务的外在评价显示,我们的带 GECOR 的多任务学习框架比最先进的端到端任务型对话模型 TSCP 实现了更高的任务完成成功率。
引用
@article{arxiv.1909.12086,
title = {GECOR: An End-to-End Generative Ellipsis and Co-reference Resolution Model for Task-Oriented Dialogue},
author = {Jun Quan and Deyi Xiong and Bonnie Webber and Changjian Hu},
journal= {arXiv preprint arXiv:1909.12086},
year = {2019}
}
备注
accepted to appear at EMNLP 2019