面向响应生成中按需知识整合的响应预期记忆
计算与语言
2020-05-14 v1
摘要
神经对话模型通常已知会生成恰当但缺乏信息量的回复。信息量可显著提升的一种场景是“通过阅读对话”(Conversing by Reading, CbR)，即对话围绕给定的外部文档展开。在先前工作中，外部文档的利用方式为：(1) 创建融合文档与对话上下文信息的上下文感知文档记忆，然后 (2) 参考该记忆生成回复。本文中，我们提出在构建文档记忆时考虑一些预期回复。这通过师生框架实现。教师给定外部文档、上下文与真实回复，学习如何从这三方面信息构建响应感知的文档记忆。学生学习仅依据前两方面信息及教师在记忆构建上的见解，构造响应预期的文档记忆。实验结果表明，我们的模型在 CbR 任务上优于先前的最优(state-of-the-art)方法。
引用
@article{arxiv.2005.06128,
title = {Response-Anticipated Memory for On-Demand Knowledge Integration in Response Generation},
author = {Zhiliang Tian and Wei Bi and Dongkyu Lee and Lanqing Xue and Yiping Song and Xiaojiang Liu and Nevin L. Zhang},
journal= {arXiv preprint arXiv:2005.06128},
year = {2020}
}
备注
To appear at ACL 2020