用于可解释神经对话生成的无监督离散句子表示学习
计算与语言
2018-04-24 v1 人工智能
摘要
编码器-解码器对话模型是用于在复杂领域构建对话系统的最 prominent 方法之一。然而它存在局限，因为它不能像传统系统那样输出可解释的动作，这阻碍了人类理解其生成过程。我们提出了一种无监督离散句子表示学习方法，该方法可集成于任何现有的编码器-解码器对话模型以实现可解释的回复生成。基于变分自编码器（VAEs），我们提出了两种新颖模型 DI-VAE 和 DI-VST，它们改进了 VAEs，并可通过自编码或上下文预测发现可解释的语义。我们的方法已在真实对话数据集上得到验证，能够发现语义表示并以可解释生成增强编码器-解码器模型。
引用
@article{arxiv.1804.08069,
title = {Unsupervised Discrete Sentence Representation Learning for Interpretable Neural Dialog Generation},
author = {Tiancheng Zhao and Kyusong Lee and Maxine Eskenazi},
journal= {arXiv preprint arXiv:1804.08069},
year = {2018}
}
备注
Accepted as a long paper in ACL 2018