可解释对话模型的无监督学习
人工智能
2018-11-05 v1 计算与语言
摘要
近来已有若干基于深度学习的模型被提出用于对话的端到端学习。虽然这些模型可从数据中训练而无需任何额外标注，但很难解释它们。另一方面，存在传统的基于状态的对话系统，其中对话状态是离散的因而易于解释。然而这些状态需要手工设计并在数据中标注。为了兼得二者之长，我们提出隐状态跟踪网络（LSTN），借此以无监督方式学习可解释模型。该模型在对话的每一轮定义一个可取值于有限集合的离散隐变量。由于这些离散变量在训练数据中不存在，我们使用 EM 算法以无监督方式训练模型。在实验中，我们表明 LSTN 能在对话模型中帮助实现可解释性，且与端到端方法相比性能下降不大。
引用
@article{arxiv.1811.01012,
title = {Unsupervised Learning of Interpretable Dialog Models},
author = {Dhiraj Madan and Dinesh Raghu and Gaurav Pandey and Sachindra Joshi},
journal= {arXiv preprint arXiv:1811.01012},
year = {2018}
}