面向知识驱动对话的序列潜在知识选择
计算与语言
2020-06-17 v2
摘要
知识驱动对话是一项基于话语上下文和外部知识生成信息性回复的任务。由于我们致力于更好地建模多轮知识驱动对话中的知识选择，我们提出了一种序列潜在变量模型作为该问题的首个解决方法。该模型名为序列知识Transformer(SKT)，能够追踪关于知识的先验与后验分布；因此，它不仅能减少由对话中知识选择多样性引起的歧义，还能更好地利用回复信息以进行恰当的知识选择。我们的实验结果表明，所提模型提高了知识选择准确率，进而提升了话语生成性能。我们在Wizard of Wikipedia (Dinan et al., 2019) 这一最具规模与挑战性的基准之一上取得了新的最先进性能。我们进一步在另一知识驱动对话数据集Holl-E (Moghe et al., 2018) 上验证了本模型相对于现有对话方法的有效性。
引用
@article{arxiv.2002.07510,
title = {Sequential Latent Knowledge Selection for Knowledge-Grounded Dialogue},
author = {Byeongchang Kim and Jaewoo Ahn and Gunhee Kim},
journal= {arXiv preprint arXiv:2002.07510},
year = {2020}
}
备注
Published in ICLR 2020 (Spotlight)