面向任务型对话响应生成的回顾与前瞻混合生成器

对话响应生成（DRG）是任务型对话系统（TDSs）的关键组件，旨在给定上下文（如历史话语、系统状态等）生成恰当的自然语言响应。前沿工作聚焦于如何以端到端方式更好地处理 DRG。此类研究通常假设每个词元从输出词表上的单一分布抽取，这未必最优。响应随不同意图（如领域、系统动作）差异很大。我们提出一种新颖的混合生成器网络（MoGNet）用于 DRG，假设响应的每个词元从混合分布抽取。MoGNet 由一个主席生成器与若干专家生成器组成，每位专家专用于特定意图的 DRG，主席协调多专家并融合其生成输出来产生更恰当响应。我们提出两种策略助主席决策：回顾式混合生成器（RMoG）与前瞻式混合生成器（PMoG）。前者仅考虑截至当前时刻的专家历史生成响应，后者通过鼓励探索还考虑未来可能的专家生成响应。为区分专家，我们设计全局—局部（GL）学习机制：用局部损失迫使各专家专用于特定意图，用全局损失训练主席与所有专家协调。我们在 MultiWOZ 基准数据集上开展充分实验，MoGNet 在自动与人工评价上均显著优于 SOTA 方法，证明其对 DRG 的有效性。