面向端到端对话回复生成的多样性提升
计算与语言
2019-02-01 v2
摘要
我们介绍了在对话系统技术挑战赛 7（DSTC7）Track 2 上的工作。DSTC7-Track 2 旨在知识 grounded 设定下评估全数据驱动对话模型的回复生成能力，其提供上下文相关的实事文本。Sequence-to-Sequence 模型已广泛用于端到端生成式对话建模并取得了令人印象深刻的成果。然而，已有研究指出它们倾向于输出枯燥且重复的回复。我们的工作旨在提升端到端对话回复生成的多样性，遵循两阶段流程：1）生成多个回复。此阶段提出两种不同模型，即变分生成（VariGen）模型与基于检索的（Retrieval）模型。2）通过训练主题连贯判别（TCD）模型用于排序过程，对回复排序并返回最相关的回复。根据官方评估结果，我们提出的 Retrieval 与 VariGen 系统在客观多样性指标（即 Entropy）上分别于所有参赛系统中排名第一与第二。且 VariGen 系统在 NIST 与 METEOR 指标上排名第二。
引用
@article{arxiv.1901.09444,
title = {Promoting Diversity for End-to-End Conversation Response Generation},
author = {Yu-Ping Ruan and Zhen-Hua Ling and Quan Liu and Jia-Chen Gu and Xiaodan Zhu},
journal= {arXiv preprint arXiv:1901.09444},
year = {2019}
}
备注
To be present on AAAI19 Workshop---Dialog System Technology Challenges 7 (DSTC7)