论文总结之对话生成《Improving Knowledge-aware Dialogue Generation via Knowledge Base Question Answering》
11.Improving Knowledge-aware Dialogue Generation via Knowledge Base Question Answering
本篇论文是ACL最新的2019年底完成的一篇论文,主要在融入知识的情况下增加了回复多样性。
主要创新点有三个:
1)MLP训练后迁移学习
2)利用检索对话的方式增强生成式回复多样性
3)两步解码
现在具体分析下模型:
(1)Knowledge-aware Dialogue Encoder
post逐字经过GRU得到隐藏层向量
再通过预训练好的BiGRU得到隐藏层向量、语法向量(语法向量:Who is the best
actor in the movie” is {who,nsubj, actor, prep, in,pobj, hEi});
二者相加拼接起来;
(2)Response Guiding Attention
post和检索出的i个reponse的之间注意力机制(检索是从语料库里选择最相似的n个post,然后根据这n个post检索出i个答案)
比较费解的是对于post编码最终表示为什么用所有字编码平均值来表示
(3)MLP预训练
将post编码成隐藏层向量、语法向量,连接相加qi。
对三元组知识<subject entity, relation, object entity>编码成向量,然后又取三个向量的平均值(懵逼again);此外,对于relation单独编码;两个向量相加连接得到aj。
训练MLP
得到一个能够识别出post和知识最相关的感知机
(4)多步解码
1)First-step decoder
输入上
除去传统的注意力机制、上一步解码字、上一步解码状态,新添加了知识机制。
知识机制:MLP(预训练过)计算知识向量和平均post隐藏层相似度,加权得到知识向量cb。
具体的,post所有字向量所有的平均值(懵逼+3)和<实体1,实体2>做相似度计算作为权值。cb为选择的知识实体。
2)Second-step decoder
输入
除去传统的注意力机制、上一步解码字、上一步解码状态,新添加了知识机制和与第一步解码最终状态st之间的注意力机制cdt。
知识机制的MLP也变成第一步解码终态平均值(懵逼+4)和知识向量作为输入了。
论文总结之对话生成《Improving Knowledge-aware Dialogue Generation via Knowledge Base Question Answering》相关推荐
- 《论文阅读》Commonsense Knowledge Aware Conversation Generation with Graph Attention
<论文阅读>Commonsense Knowledge Aware Conversation Generation with Graph Attention 简介 论文试图解决什么问题? ...
- 【论文笔记】Commonsense Knowledge Aware Conversation Generation with Graph Attention
Commonsense Knowledge Aware Conversation Generation with Graph Attention 文章目录 Commonsense Knowledge ...
- 论文笔记Improving Multi-hop Knowledge Base Question Answering by Learning Intermediate Supervision Signa
Improving Multi-hop Knowledge Base Question Answering by Learning Intermediate Supervision Signals 引 ...
- 论文翻译:《Improved Neural Relation Detection for Knowledge Base Question Answering》
该论文于2017年发表在ACL,主要讲了智能问答在sq和wq两个数据集上的性能提升,本人研究生方向为这个,故翻译此论文,希望对大家有用. 论文地址:Improved Neural Relation D ...
- 论文解读:Improved Neural Relation Detection for Knowledge Base Question Answering
论文解读:Improved Neural Relation Detection for Knowledge Base Question Answering 本文解决KBQA中的子问题--Relat ...
- 《Knowledge Base Question Answering via Encoding of Complex Query Graphs》论文笔记
Knowledge Base Question Answering via Encoding of Complex Query Graphs 这篇文章是上交和阿里于2018年发表在ACL上,主题依然是 ...
- 【KBQA综述-0】Complex Knowledge Base Question Answering: A Survey
Complex Knowledge Base Question Answering: A Survey(2021年10月) 前言 这是一篇对于复杂问题KBQA领域的详细综述,其工作主要集中在以下方面: ...
- Knowledge Base Question Answering via Encodin of Complex Query Graphs
Knowledge Base Question Answering via Encodin of Complex Query Graphs ACL 2018 CompQ 42.84 WebQ 52.6 ...
- Improved Neural Relation Detection for Knowledge Base Question Answering
Improved Neural Relation Detection for Knowledge Base Question Answering 2017 ACL SQ78.7 WebQSP63.9 ...
最新文章
- python编程基础语法-Python编程入门基础语法详解
- 自动生成想“变”就“变”
- Java:使用Fork / Join框架的Mergesort
- 转:只能选择GridView中的一个CheckBox(单选CheckBox)
- python数据结构的应用场景不包括,Python 数据结构学习
- jquery-滑动的选项卡
- Android开发1、2周——GeoQuiz项目
- 在thinkphp中引入自定义的敏感词库
- 广州地铁十三号线二期全线土建已完成53%,预计明年开通
- 设计专业是计算机的吗,计算机平面设计是属于计算机什么专业范畴?
- 基于AChartEngine绘制股票走势图----分时图一(走势柱状)
- Android 音乐裁剪器
- 电脑C盘爆满了怎么办
- 视频号日引流500+精准流量6大玩法,实现微信后端转化变现丨国仁网络资讯
- 点击按钮1 打开/关闭按钮2
- python编程计算圆面积math_python编程计算圆面积
- 一篇关于串口的经典文章
- nfine快速开发平台,前期数据库连接,如何登陆进入模板,建立远程数据库连接
- testin脚本录制
- 最新Xycms广告设计中心网站系统源码V4.7
热门文章
- 没有任何秘密的 API:Vulkan* 简介第 1 部分:序言
- Web应用服务器——Tomcat
- Julia到底哪好在哪,让数学学霸接触2年就定了终生?还传授读者学数学的秘诀...
- 百事公司任命陈文渊担任亚太区首席执行官
- DBPedia ontology-数据集
- python怎么爬取b站_【Python爬虫实例学习篇】——4、超详细爬取bilibili视频
- 斩获双项殊荣 | 加速计算夯实数智底座 AI起笔描绘数字蓝图
- java动态分区分配算法,操作系统_动态分区分配算法课程设计_java版
- 编程十年 (15):宿命,程序员
- 计算机硕士专业怎样出论文,计算机专业硕士论文参考文献集 计算机专业硕士参考文献怎么写...