RAP-Net：用于对话响应选择的循环注意力池化网络
计算与语言
2019-03-22 v1
摘要
由于对话建模受到越来越多的关注，响应选择已成为一个新兴的研究课题，该任务的目标是为延续对话选择合适的响应。为了进一步将端到端对话模型推向真实场景，第七届对话系统技术挑战赛（DSTC7）基于真实聊天日志数据集提出了一个具有挑战性的赛道。该竞赛聚焦于具有若干先进特性的对话建模：（1）自然语言多样性，（2）能够从大量候选中或在没有正确答案的场景下精确选择合适响应的能力，以及（3）知识 grounding。本文介绍了循环注意力池化网络（RAP-Net），一种用于响应选择的新型框架，它能够很好地估计对话上下文与候选响应之间的相关性。所提出的 RAP-Net 被证明是有效的，并且可以在 DSTC7 实验中跨不同数据集和设置进行泛化。
引用
@article{arxiv.1903.08905,
title = {RAP-Net: Recurrent Attention Pooling Networks for Dialogue Response Selection},
author = {Chao-Wei Huang and Ting-Rui Chiang and Shang-Yu Su and Yun-Nung Chen},
journal= {arXiv preprint arXiv:1903.08905},
year = {2019}
}