序列到序列(Seq2Seq)模型已被广泛用于会话领域的响应生成。 但是,不同对话方案的要求是不同的。 例如,客户服务要求所生成的响应是特定且准确的,而聊天机器人更喜欢多样化的响应以吸引不同的用户。 通过使用一般平均可能性作为优化标准,当前的Seq2Seq模型无法满足这些多样化的要求。 结果,它通常会生成安全且平常的响应,例如“我不知道”。 在本文中,我们针对不同的对话场景提出了两个针对Seq2Seq量身定制的优化标准,即针对特定需求场景的最大生成可能性和针对不同需求场景的条件风险价值。 在Ubuntu对话语料库(Ubuntu服务场景)和中文微博数据集(社交聊天机器人场景)上的实验结果表明,我们提出的模型不仅可以满足不同场景的各种要求,而且在衡量指标上均优于传统的Seq2Seq模型。基础评估和人工评估。
2021-02-26 16:07:44
476KB
研究论文
1