将因果分析引入多样化且逻辑连贯的回复生成
计算与语言
2022-10-12 v2 人工智能
摘要
尽管条件变分自编码器（CVAE）模型能比传统Seq2Seq模型生成更多样化回复，但其回复常与输入词相关性低或与问题逻辑不符。本文通过因果分析研究背后原因，并提出在对话中搜寻中介变量与缓解混杂偏差的方法。具体而言，我们提出预测中介变量以保留相关信息，并自回归地将中介变量融入生成过程。此外，利用动态主题图引导的条件变分自编码器（TGG-CVAE）模型补充语义空间并降低回复中的混杂偏差。大量实验表明，所提模型能生成相关且信息丰富的回复，并在自动指标与人工评估上优于最优方法。
引用
@article{arxiv.2209.09482,
title = {Incorporating Causal Analysis into Diversified and Logical Response Generation},
author = {Jiayi Liu and Wei Wei and Zhixuan Chu and Xing Gao and Ji Zhang and Tan Yan and Yulin Kang},
journal= {arXiv preprint arXiv:2209.09482},
year = {2022}
}
备注
Accepted at COLING 2022