基于异构记忆网络的任务型对话生成
计算与语言
2019-09-26 v1 人工智能
摘要
如何将外部知识融入神经对话模型，对于对话系统表现得像真实人类至关重要。为此，记忆网络通常是一个极佳且前景广阔的选择。然而，现有记忆网络在利用来自不同来源的异构信息时表现不佳。本文提出一种新颖且通用的外部记忆网络，称为异构记忆网络（HMNs），以同时利用用户话语、对话历史和背景知识元组。在我们的方法中，历史顺序对话被编码并存入由门控机制增强的上下文感知记忆，而接地知识元组被编码并存入上下文无关记忆。解码过程中，增强 HMNs 的解码器从这些两个记忆和通用词表中递归地选择响应话语中的每个词。在多个真实数据集上的实验结果表明，HMNs 在大多数领域显著优于最先进的数据驱动任务型对话模型。
引用
@article{arxiv.1909.11287,
title = {Task-Oriented Conversation Generation Using Heterogeneous Memory Networks},
author = {Zehao Lin and Xinjing Huang and Feng Ji and Haiqing Chen and Ying Zhang},
journal= {arXiv preprint arXiv:1909.11287},
year = {2019}
}
备注
Accepted as a long paper at EMNLP-IJCNLP 2019