对话中问题检索与下一问题预测的神经网络匹配模型
信息检索
2017-07-19 v1
摘要
近年来AI的蓬勃发展催生了许多人机对话系统，如Google Assistant、Microsoft Cortana、Amazon Echo和Apple Siri。我们引入并形式化了对话中问题预测任务，其目标是给定过往对话上下文，预测用户将提出的新问题。该任务可建模为“序列匹配”问题，即给定两个序列，旨在学习一个将任意序列对映射到匹配概率的模型。采用深度神经网络学习序列表示与匹配分数的神经匹配模型，已引起信息检索与自然语言处理领域的巨大研究兴趣。本文中，我们首先研究文献中广泛探讨的问题检索任务上的神经匹配模型，而神经模型于此任务的有效性相对缺乏研究。我们进一步在对话的下一问题预测任务中评估神经匹配模型。实验中我们使用了公开可用的Quora数据和Ubuntu聊天日志。我们的评估探究了带有表示学习的神经匹配模型在对话问题检索与下一问题预测中的潜力。实验结果表明神经匹配模型在两项任务上均表现良好。
引用
@article{arxiv.1707.05409,
title = {Neural Matching Models for Question Retrieval and Next Question Prediction in Conversation},
author = {Liu Yang and Hamed Zamani and Yongfeng Zhang and Jiafeng Guo and W. Bruce Croft},
journal= {arXiv preprint arXiv:1707.05409},
year = {2017}
}
备注
Neu-IR 2017: The SIGIR 2017 Workshop on Neural Information Retrieval (SIGIR Neu-IR 2017), Tokyo, Japan, August 7-11, 2017