通过优化莱文斯坦距离学习提出对话式问题
计算与语言
2021-07-01 v1 信息检索
摘要
对话式问题简化(CQS)旨在将独立完整的问题通过融入某些对话特征(如指代与省略)简化为对话式问题。现有基于最大似然估计(MLE)的方法常在易于学习的词元上陷入困境，因为训练中所有词元被平等对待。本工作中，我们引入一种强化迭代序列编辑(RISE)框架，通过显式编辑动作优化最小莱文斯坦距离(MLD)。RISE 能够关注与对话特征相关的词元。为训练 RISE，我们设计了一种迭代强化训练(IRT)算法，并配以基于动态规划的采样(DPS)过程以改进探索。在两个基准数据集上的实验结果表明，RISE 显著优于最先进方法，并对未见过的数据具有良好泛化能力。
引用
@article{arxiv.2106.15903,
title = {Learning to Ask Conversational Questions by Optimizing Levenshtein Distance},
author = {Zhongkun Liu and Pengjie Ren and Zhumin Chen and Zhaochun Ren and Maarten de Rijke and Ming Zhou},
journal= {arXiv preprint arXiv:2106.15903},
year = {2021}
}
备注
13 pages, 4 figures, Published in ACL 2021