思路清晰，应答迅捷：面向开放域对话系统的概念引导非自回归生成
计算与语言
2021-09-10 v1
摘要
人类对话包含不断演化的概念，说话者会自然地关联多个概念来组织回应。然而，当前基于序列到序列框架的对话模型缺乏有效管理概念转换的能力，且难以在序列解码方式下将多个概念引入回应。为实现可控且连贯的对话，本文设计了一种用于开放域对话生成的概念引导非自回归模型（CG-nAR）。该模型包含一个多概念规划模块，学习从概念图中识别多个关联概念，以及一个定制的插入式Transformer，执行概念引导的非自回归生成以完成回应。在两个公开数据集上的实验结果表明，CG-nAR能够生成多样且连贯的回应，在自动评估和人工评估中均优于现有最优基线模型，且推理速度显著更快。
引用
@article{arxiv.2109.04084,
title = {Thinking Clearly, Talking Fast: Concept-Guided Non-Autoregressive Generation for Open-Domain Dialogue Systems},
author = {Yicheng Zou and Zhihua Liu and Xingwu Hu and Qi Zhang},
journal= {arXiv preprint arXiv:2109.04084},
year = {2021}
}
备注
Accepted by EMNLP 2021, 12 pages