面向主题驱动对话的个性化主题选择模型

近年来，主题驱动对话（TGD）系统因其通过主题引导对话主动引导用户完成特定任务的强大能力而日益流行。大多数现有工作孤立地利用辅助信息（例如主题或人物角色）来增强主题选择能力。然而，由于忽视了这些辅助信息源内部的噪声及其相互影响，当前模型倾向于预测用户不感兴趣且与上下文无关的主题。为了构建引人入胜且连贯的对话智能体，我们提出了一种面向主题驱动对话的个性化主题选择模型，命名为PETD，该模型考虑了辅助信息的交互作用，选择性地聚合此类信息，以更准确地预测后续主题。具体来说，我们评估全局主题与人物角色之间的相关性，并选择性地整合与用户人物角色一致的全局主题。此外，我们提出了一种基于对比学习的人物角色选择器，在缺乏相关人物角色标注的约束下过滤掉不相关的人物角色。在整个选择和生成过程中，考虑了多样化的相关辅助信息。大量实验表明，我们提出的方法能够生成引人入胜且多样化的回复，在各种评估指标上均优于最先进的基线模型。