无标准答案：基于对抗激活多参考学习的知识 grounded 对话生成
计算与语言
2022-10-25 v1
摘要
知识 grounded 对话（KGC）在提供引人入胜且信息丰富的回复方面展现出极佳潜力。然而，现有方法强调在给定对话语境下选择一条黄金知识，忽视了对话中的一对多现象。因此，现有范式限制了知识选择与生成的多样性。为此，我们构建了一个多参考 KGC 数据集，并提出一系列指标来系统评估现有 KGC 模型的一对多效能。此外，为扩展知识选择的假设空间以增强多知识与多回复之间的映射关系，我们设计了一个基于片段的变分模型，并以唤醒-睡眠风格结合改进的证据下界目标来优化该模型，以学习一对多泛化能力。自动与人工评估均证明了我们方法的有效性。
引用
@article{arxiv.2210.12459,
title = {There Is No Standard Answer: Knowledge-Grounded Dialogue Generation with Adversarial Activated Multi-Reference Learning},
author = {Xueliang Zhao and Tingchen Fu and Chongyang Tao and Rui Yan},
journal= {arXiv preprint arXiv:2210.12459},
year = {2022}
}
备注
To appear at EMNLP 2022 main conference. The first two authors contributed equally