本文共 882 字,大约阅读时间需要 2 分钟。
此部分慢慢添加
Improving Response Selection in Multi-turn Dialogue Systems by Incorporating Domain Knowledge
- 发表时间:2018
- 解决问题:基于检索的多轮对话答案选择
- 基本思想:将上下文和答案分别采用GRU进行编码,为了选出对上下文有贡献的答案中的词以及选出对答案有贡献的上下文语句,因此加入了注意力机制,这是创新点一;为了添加域信息,另外加了GRU,对答案中的每个词进行编码,编码维度与word embedding维度一致,如果词不在预设词典里,将编码后的向量置零,将每个词的word embedding 和此编码向量相加作为该词的最后embedding输入到encoder中进行编码,这是创新点二。然后对上下文和response编码后的向量求相似度得分。
Building Task-Oriented Dialogue Systems for Online Shopping
- 发表时间:2017
- 解决问题:任务型对话系统
- 基本内容:该篇论文诠释了构建任务型对话系统的整个过程,该系统是针对线上购物提出的。本文介绍NLP的相关技术、数据挖掘以及众包的应用,帮助读者建立整个流程思路。通常任务型对话系统通过槽位填充实现,这种方法在系统冷启动时很难实现。本文未采用此种方法,本文方法流程为:问题理解模块(问题意图检测、产品类别、获取问题中<属性,属性值>对)->状态追踪->对话管理。该论文内容实用性很强。
LSTM-BASED DEEP LEARNING MODELS FOR NONFACTOID ANSWER SELECTION
- 发表时间:2016
- 解决问题: 检索型多轮对话
- 基本内容:问题和答案做匹配,经典模型Bi-LSTM+余弦相似度,贡献在于:对Bi-LSTM的输出进行两个方面的操作:1)将Bi-LSTM的输出送入CNN+pooling,输入给余弦相似度计算;2)将Bi-LSTM的输出添加Attention机制,再经pooling层后进行余弦相似度计算。
转载地址:http://uwnti.baihongyu.com/