Pneg：基于提示的负响应生成用于对话响应选择任务
计算与语言
2022-11-01 v1
摘要
在基于检索的对话系统中，响应选择模型充当排序器，从若干候选中选出最恰当的响应。然而，此类选择模型往往依赖上下文—响应内容相似性，这使得模型易受语义相似但与对话上下文不相关的对抗性响应的攻击。近期研究表明，利用这些对抗性响应作为负训练样本有助于提升选择模型的判别能力。然而，收集人工撰写的对抗性响应成本高昂，且现有合成方法常扩展性有限。为克服这些局限，本文提出一种简单而高效的方法，利用大规模语言模型生成对抗性负响应。在对话选择任务上的实验结果表明，我们的方法优于其他合成对抗性负响应的方法。这些结果表明，我们的方法可作为人工标注者在生成对抗性响应方面的有效替代。我们的数据集与生成代码见 https://github.com/leenw23/generating-negatives-by-gpt3。
引用
@article{arxiv.2210.17238,
title = {Pneg: Prompt-based Negative Response Generation for Dialogue Response Selection Task},
author = {Nyoungwoo Lee and ChaeHun Park and Ho-Jin Choi and Jaegul Choo},
journal= {arXiv preprint arXiv:2210.17238},
year = {2022}
}
备注
EMNLP 2022