通过知识库问答改进知识感知对话生成
计算与语言
2019-12-17 v1
摘要
神经网络模型通常面临将常识知识融入开放域对话系统的挑战。在本文中，我们提出了一种新颖的知识感知对话生成模型（称为 TransDG），该模型从知识库问答（KBQA）任务迁移问题表示与知识匹配能力，以促进对话生成的语句理解与事实知识选择。此外，我们提出了一种响应引导注意力与多步解码策略，以引导我们的模型聚焦于用于回复生成的相关特征。在两个基准数据集上的实验表明，我们的模型在生成信息丰富且流畅的对话方面相比对比方法具有稳健的优越性。我们的代码可在 https://github.com/siat-nlp/TransDG 获取。
引用
@article{arxiv.1912.07491,
title = {Improving Knowledge-aware Dialogue Generation via Knowledge Base Question Answering},
author = {Jian Wang and Junhao Liu and Wei Bi and Xiaojiang Liu and Kejing He and Ruifeng Xu and Min Yang},
journal= {arXiv preprint arXiv:1912.07491},
year = {2019}
}
备注
Accepted by AAAI-2020