基于解耦模板重写的风格化知识 grounded 对话生成
计算与语言
2022-04-13 v1 人工智能
机器学习
摘要
当前的知识 grounded 对话生成（KDG）模型专长于生成合理且事实性的回复。然而，为了与用户建立长期关系，KDG 模型需要具备以期望风格或属性生成回复的能力。因此，我们研究了一个新问题：风格化知识 grounded 对话生成（SKDG）。它带来两个挑战：（1）如何训练一个 SKDG 模型，在缺乏 <上下文, 知识, 风格化回复> 三元组的情况下。（2）如何在生成风格化回复时与上下文保持一致并保留知识。在本文中，我们提出了一种新颖的解耦模板重写（DTR）方法，该方法通过组合解耦的风格模板（来自单语风格语料库）和内容模板（来自 KDG 语料库）来生成回复。整个框架是端到端可微分的，并且在无监督下学习。在两个基准上的大量实验表明，与先前最先进的风格化对话生成方法相比，DTR 在所有评估指标上均取得了显著提升。此外，在标准 KDG 评估设置中，DTR 取得了与最先进 KDG 方法相当的性能。
引用
@article{arxiv.2204.05610,
title = {Stylized Knowledge-Grounded Dialogue Generation via Disentangled Template Rewriting},
author = {Qingfeng Sun and Can Xu and Huang Hu and Yujing Wang and Jian Miao and Xiubo Geng and Yining Chen and Fei Xu and Daxin Jiang},
journal= {arXiv preprint arXiv:2204.05610},
year = {2022}
}
备注
Accepted to NAACL 2022 Main Conference