MADNet：面向多方对话生成的受话人推导期望最大化
计算与语言
2023-10-19 v2
摘要
以图神经网络建模多方对话（MPCs）已被证明能有效捕捉复杂且图状的信息流。然而，现有方法严重依赖必要的受话人标签，仅能应用于每句话语均须标注受话人标签的理想设定。为研究MPC中常见的受话人标签稀缺问题，我们提出MADNet，其在异质图神经网络中最大化受话人推导期望以用于MPC生成。给定一段部分受话人标签缺失的MPC，现有方法无法构建连续连通的对话图，而只能得到若干分离的对话片段。为保障这些对话片段间的消息传递，设计了四种额外类型的潜在边以补全全连接图。此外，为优化那些无受话人标签话语的边类型依赖消息传递，设计了一种基于期望最大化（EM）的方法，迭代生成银受话人标签（E步）并优化生成回复的质量（M步）。在两个Ubuntu IRC频道基准上的实验结果表明，MADNet在MPC生成任务上优于多种基线模型，尤其在部分受话人标签缺失这一更常见且更具挑战的设定下。
引用
@article{arxiv.2305.12733,
title = {MADNet: Maximizing Addressee Deduction Expectation for Multi-Party Conversation Generation},
author = {Jia-Chen Gu and Chao-Hong Tan and Caiyuan Chu and Zhen-Hua Ling and Chongyang Tao and Quan Liu and Cong Liu},
journal= {arXiv preprint arXiv:2305.12733},
year = {2023}
}
备注
Accepted by EMNLP 2023. arXiv admin note: text overlap with arXiv:2203.08500