面向任务的对话建模中基于语言推理、知识检索与知识融合回复生成的非结构化知识访问
计算与语言
2021-01-18 v1 人工智能
摘要
融合外部知识的对话系统能够处理超出支撑数据库/API 范围的用户查询。本文遵循 DSTC9 Track 1 提供的基线，提出 KDEAK、KnowleDgEFactor 与 Ens-GPT 三个子系统，它们构成 capable of accessing unstructured knowledge 的面向任务对话系统流水线。具体而言，KDEAK 通过利用来自对话、数据库与 FAQ 的知识将问题形式化为自然语言推理，从而执行知识寻求轮次检测。KnowleDgEFactor 通过将因子化知识/文档检索问题形式化为执行域、实体与知识三级分析的三个模块，完成知识选择任务。Ens-GPT 先处理多个知识片段，再通过集成算法决定回复应仅由 GPT2-XL 模型生成，还是结合排名最高的知识片段重新生成，从而生成回复。实验结果表明，所提流水线系统优于基线并生成高质量回复，在 BLEU-4 分数上至少取得 58.77% 的提升。
引用
@article{arxiv.2101.06066,
title = {Unstructured Knowledge Access in Task-oriented Dialog Modeling using Language Inference, Knowledge Retrieval and Knowledge-Integrative Response Generation},
author = {Mudit Chaudhary and Borislav Dzodzo and Sida Huang and Chun Hei Lo and Mingzhi Lyu and Lun Yiu Nie and Jinbo Xing and Tianhua Zhang and Xiaoying Zhang and Jingyan Zhou and Hong Cheng and Wai Lam and Helen Meng},
journal= {arXiv preprint arXiv:2101.06066},
year = {2021}
}