SEntNet：用于对话回复选择的根源感知循环实体网络
信息检索
2019-09-17 v4 人工智能
计算与语言
摘要
对话回复选择是任务型对话系统（TDSs）的重要组成部分；其目标是在给定对话上下文的情况下预测合适的回复。从复杂、漫长的对话上下文中获取关键信息具有挑战性，特别是当存在不同信息来源时，例如用户的话语、系统的回复以及从知识库（KB）检索到的结果。先前工作忽略信息源类型并合并各来源进行回复选择。然而，考虑源类型可能会显著改变回复选择的质量。我们提出根源感知循环实体网络（SEntNet），它在回复选择过程中感知不同的信息来源。SEntNet 通过采用特定于来源的存储器来利用不同信息来源（用户、系统和 KB）在词语使用和句法结构上的差异，从而实现这一点。实验结果表明，SEntNet 在 Dialog bAbI 数据集上取得了 91.0% 的准确率，比先前工作高出 4.7%。在 DSTC2 数据集上，SEntNet 取得了 41.2% 的准确率，比无来源感知的循环实体网络高出 2.4%。
引用
@article{arxiv.1906.06788,
title = {SEntNet: Source-aware Recurrent Entity Network for Dialogue Response Selection},
author = {Jiahuan Pei and Arent Stienstra and Julia Kiseleva and Maarten de Rijke},
journal= {arXiv preprint arXiv:1906.06788},
year = {2019}
}
备注
Proceedings of the 2019 IJCAI Workshop SCAI: The 4th International Workshop on Search-Oriented Conversational AI