通过句子语义分割引导的条件变分自编码器建模复杂对话映射
计算与语言
2022-12-02 v1 人工智能
摘要
复杂对话映射（CDM），包括一对多和多对一映射，往往使对话模型生成不连贯或平淡的回复，且对这些映射的建模仍是神经对话系统的巨大挑战。为缓解这些问题，已有方法如引入外部信息、重构优化函数和操作数据样本被提出，但它们主要聚焦于避免用CDM训练，不可避免地削弱了模型理解人类对话中CDM的能力并限制了模型性能的进一步提升。本文提出一种句子语义分割引导的条件变分自编码器（SegCVAE）方法，能够建模并利用CDM数据。具体而言，为应对一对多引起的不连贯问题，SegCVAE使用与回复相关的显著语义来约束隐变量。为缓解多对一带来的非多样性问题，SegCVAE分割多个显著语义以丰富隐变量。为实现SegCVAE，提出了三个新组件：内部分离、外部引导和语义规范。在对话生成任务上，自动与人工评估结果均表明SegCVAE取得了新的SOTA性能。
引用
@article{arxiv.2212.00231,
title = {Modeling Complex Dialogue Mappings via Sentence Semantic Segmentation Guided Conditional Variational Auto-Encoder},
author = {Bin Sun and Shaoxiong Feng and Yiwei Li and Weichao Wang and Fei Mi and Yitong Li and Kan Li},
journal= {arXiv preprint arXiv:2212.00231},
year = {2022}
}
备注
Findings of EMNLP 2022