基于元学习个性化对话智能体
计算与语言
2019-05-27 v1 人工智能
摘要
现有个性化对话模型利用人工设计的角色描述来改善对话一致性。从现有对话中收集此类描述成本高昂且需要手工设计特征。本文中，我们提出将模型无关元学习（MAML）（Finn等人，2017）扩展至个性化对话学习，且不使用任何角色描述。我们的模型通过仅利用从同一用户收集的少量对话样本，学会快速适应新角色，这从根本上不同于将回复以角色描述为条件。在Persona-chat数据集（Zhang等人，2018）上的实证结果表明，我们的方案在使用自动评价指标以及在人工评价流畅性与一致性方面均优于非元学习基线。
引用
@article{arxiv.1905.10033,
title = {Personalizing Dialogue Agents via Meta-Learning},
author = {Zhaojiang Lin and Andrea Madotto and Chien-Sheng Wu and Pascale Fung},
journal= {arXiv preprint arXiv:1905.10033},
year = {2019}
}
备注
Accepted in ACL 2019. Zhaojiang Lin* and Andrea Madotto* contributed equally to this work