低资源场景下基于对话的个人属性预测

个人知识库（PKBs）对个性化推荐和基于网络的聊天机器人等广泛应用至关重要。构建PKB的一个关键挑战是从用户的对话数据中提取个人属性知识。给定对话系统中的若干用户、一个个人属性以及这些用户的话语，我们的目标是预测每个用户给定个人属性值的排序。以往研究通常依赖相对数量的资源，如标注话语和外部数据，然而未标注话语中蕴含的属性知识未得到充分利用，且它们对一些困难个人属性的预测性能仍不理想。此外，研究发现一些文本分类方法可直接用于解决该任务，但它们在那些困难个人属性上同样表现不佳。本文提出了一种新颖的框架PEARL，在无标注话语或外部数据可利用的低资源设定下，通过利用话语中丰富的个人属性知识，从对话中预测个人属性。PEARL通过采用更新的先验属性知识，以迭代方式精炼双词主题模型的吉布斯采样过程，无缝融合了双词语义信息与词共现信息。大量实验结果表明，PEARL不仅在两个数据集上的对话个人属性预测任务中优于所有基线方法，还在一个数据集上的更一般的弱监督文本分类任务中表现更佳。