无监督对话结构学习

从一组任务导向对话中学习共享的对话结构，是计算语言学中的一项重要挑战。习得的对话结构有助于分析人类对话，更重要的是可贡献于对话系统的设计与评估。我们提出使用带有离散潜向量的改进 VRNN 模型来抽取对话结构。与现有基于 HMM 的模型不同，我们的模型基于变分自编码器（VAE）。该模型能够捕捉对话中超越语言表层形式的更多动态特性。我们发现，在定性上，我们的方法抽取出有意义的对话结构；在定量上，其在预测未见数据的能力方面优于先前的模型。我们进一步在下游任务——对话系统构建任务中评估该模型的有效性。实验表明，通过将习得的对话结构整合进奖励函数设计，模型在强化学习设定下收敛更快且结果更优。