伙伴很重要！检索式聊天机器人中融合人物角色用于个性化回复选择的实证研究
计算与语言
2021-05-24 v2
摘要
人物角色可作为维持对话系统一致性的先验知识。以往多数研究采用对话中的自身人物角色，其回复拟从一组候选中选中或直接计算生成，但极少有关注对话中伙伴的作用。本文尝试深入探究利用描述自身或伙伴说话者的人物角色，对检索式聊天机器人中回复选择任务的影响。设计了四种人物角色融合策略，其假设人物角色以不同方式与上下文或回复交互。这些策略被植入三种具代表性的回复选择模型，分别基于层次化循环编码器（HRE）、交互匹配网络（IMN）和来自 Transformers 的双向编码器表示（BERT）。在 Persona-Chat 数据集上的实证研究表明，既往被忽视的伙伴人物角色可提升基于 IMN 与 BERT 模型的回复选择准确率。此外，我们基于 BERT 并采用上下文-回复感知人物角色融合策略的模型，在 hits@1（首位准确率）上以原人物角色超以往方法 2.7% 以上、修订人物角色超 4.6% 以上的优势，在 Persona-Chat 数据集上取得新的最优性能。
引用
@article{arxiv.2105.09050,
title = {Partner Matters! An Empirical Study on Fusing Personas for Personalized Response Selection in Retrieval-Based Chatbots},
author = {Jia-Chen Gu and Hui Liu and Zhen-Hua Ling and Quan Liu and Zhigang Chen and Xiaodan Zhu},
journal= {arXiv preprint arXiv:2105.09050},
year = {2021}
}
备注
Accepted by SIGIR 2021