关键词引导的神经对话模型
计算与语言
2021-03-02 v3 人工智能
摘要
我们研究在开放域对话智能体上施加对话目标/关键词的问题，要求智能体平滑且快速地将对话引导至目标关键词。解决该问题可使对话智能体应用于诸多现实场景，如推荐与心理治疗。解决此问题的主流范式是：1）训练下一轮关键词分类器，2）训练关键词增强的回复检索模型。然而，该范式下的现有方法有两个局限：1）下一轮关键词分类的训练与评估数据集直接从对话中抽取而无人工标注，因而含噪且与人类判断相关性低；2）关键词过渡期间，智能体仅依赖词嵌入间的相似性靠近目标关键词，未必反映人类对话方式。本文假设人类对话基于常识，提出一种关键词引导的神经对话模型，可利用外部常识知识图（CKG）进行关键词过渡与回复检索。自动评估表明常识提升了下一轮关键词预测与关键词增强回复检索的性能。此外，自对弈与人类评估均显示，我们的模型相较竞争基线产生了更平滑的关键词过渡并更快抵达目标关键词。
引用
@article{arxiv.2012.08383,
title = {Keyword-Guided Neural Conversational Model},
author = {Peixiang Zhong and Yong Liu and Hao Wang and Chunyan Miao},
journal= {arXiv preprint arXiv:2012.08383},
year = {2021}
}
备注
AAAI-2021