面向目标对话中的个性化

建模人类对话的主要目标是创建能够在开放式和面向目标的场景中与人交互的智能体。端到端训练的神经对话系统是此类通用对话模型的重要研究方向，因为它们不依赖于任何特定情况的手工规则。然而，将个性化融入此类系统是一个很大程度上未被探索的课题，因为目前没有现成的语料库来促进此类工作。在本文中，我们提出了一个新的面向目标的对话数据集，这些对话受到附加在其上的说话人特征的影响。我们分析了基于 Memory Networks 的现有端到端对话系统的缺点，并提出了对架构的修改以实现个性化。我们还研究了对话中的个性化作为多任务学习问题，并表明在各个特征之间共享特征的单一模型优于每个特征对应的独立模型。