Posterior-GAN：基于后验生成对抗网络实现信息丰富且连贯的回复生成
计算与语言
2020-03-05 v1
摘要
神经对话模型通过考虑对话历史来学习生成回复。这些模型通常借助最大似然估计目标在查询-回复对上进行优化。然而，查询-回复元组天然松散耦合，且存在多个可回应给定查询的回复，这令对话模型学习负担沉重。此外，当模型面对无意义的回复训练实例时，普遍的枯燥回复问题更加恶化。直观上，高质量回复不仅回应给定查询，还衔接未来对话；本文中，我们利用查询-回复-未来轮次三元组来引导所生成回复同时考虑给定上下文与未来对话。为便利这些三元组的建模，我们进一步提出一种新颖的基于编码器-解码器的生成对抗学习框架，即后验生成对抗网络（Posterior-GAN），其由一个前向与一个后向生成判别器组成，通过两种互补评估视角协同促使生成回复信息丰富且连贯。实验结果表明，我们的方法在自动与人工评测上均有效提升了生成回复的信息量与连贯性，验证了考虑双评估视角的优势。
引用
@article{arxiv.2003.02020,
title = {Posterior-GAN: Towards Informative and Coherent Response Generation with Posterior Generative Adversarial Network},
author = {Shaoxiong Feng and Hongshen Chen and Kan Li and Dawei Yin},
journal= {arXiv preprint arXiv:2003.02020},
year = {2020}
}
备注
Accepted by AAAI 2020