点击上方，选择星标或置顶，每天给你送干货！

来自：天宏NLP

本文介绍一篇2020EMNLP-findings上的论文《Consistent Response Generation with Controlled Specificity》，介绍在对话生成中控制回复的specificity。

所谓specificity，我把它翻译成“具体的程度”，举个例子，我跟机器说：“今天天真冷”，机器可以以三种不同的specificity回答我：

1. 是的

2. 确实挺冷的

3. 哎呀 心疼 喝热水，多穿 快回 外面冷，你忙 好梦 早点睡，早安 晚安 睡了没，确实冷，多喝热水注意保暖别着凉了

谁不想要一个像第3种这么贴心的聊天机器人呢？（

这篇论文其实是作者发表在2019ACL workshop上的工作《Relevant and Informative Response Generation using Pointwise Mutual Information》的延续。

这篇论文提出了一个叫做Positive Pointwise Mutual Information(PPMI)的东西，首先使用PPMI给训练集中的每个word打分，找出keywords，设计了一个loss，鼓励模型生成属于keywords的单词，做法和下面要介绍的论文大同小异。

PPMI的定义如下，为单词出现在上句中的概率，为单词出现在回复中的概率，是单词和同时分别出现在一对中的概率，这些概率P都可以通过对训练集预先的统计得到。由此可以得到PPMI矩阵，PPMI[x][y]就是PPMI(x, y)的值，预先存储好以供后面模型使用。

作者进一步提出一条数据的MaxPMI，定义如下

通过min-max normalization将每条数据的MaxPMI分数归一化

模型的整体架构如下

首先对于一条数据，使用GRU将utterance 编码为一个向量，然后把这条数据的MaxPMI分数丢到一个多层全连接网络里(MLP)输出一个vector ，接着把整个词表上的每一个单词和utterance 中所有的单词求PPMI分数之和，得到一个长度和词表大小一样的vector ，

然后，同样地把丢到一个多层全连接网络中输出一个vector ，把得到的三个向量给concat起来得到，把h作为decoder的初始状态，因此decoder应该可以利用PPMI所定义的词与词之间的共现关系，来学习如何生成更具体specific的回复。

为了直接地提升decoder输出更specific的单词的概率，作者还把和decoder在每个timestep i输出的概率通过加权的方式加在了一起得到

用于平衡二者，由decoder当前输出的隐状态通过一层MLP得出

Inference阶段只需要手动定义MaxPMI的值s，就可以生成不同specificity程度的回复。同时作者还提出inference不手动提供值s的方法，可使用下式自动求出的值，是整个词表，是给出的问句

作者的实验在DailyDialog和Twitter(Japanese)上进行，对比的模型是SC-Seq2Seq，它出自ACL2018上的《Learning to Control the Specificity in Neural Response Generation》，同样是控制生成的，最大的区别可能在于本文用的是作者定义的PPMI，那篇也是作者定义了一个指标，并提前告诉decoder每个词的得分。

作者发现使用的效果最好

作者也举了一个生成效果的例子，通过控制s的大小可以操控回复的specificity

有什么想法欢迎在评论区讨论，扫码关注加星标以第一时间获得推送文章～

说个正事哈

由于微信平台算法改版，公号内容将不再以时间排序展示，如果大家想第一时间看到我们的推送，强烈建议星标我们和给我们多点点【在看】。星标具体步骤为：

（1）点击页面最上方“深度学习自然语言处理”，进入公众号主页。

（2）点击右上角的小点点，在弹出页面点击“设为星标”，就可以啦。

感谢支持，比心。

投稿或交流学习，备注：昵称-学校（公司）-方向，进入DL&NLP交流群。

方向有很多：机器学习、深度学习，python，情感分析、意见挖掘、句法分析、机器翻译、人机对话、知识图谱、语音识别等。

记得备注呦

推荐两个专辑给大家：

专辑 | 李宏毅人类语言处理2020笔记

专辑 | NLP论文解读

专辑 | 情感分析

整理不易，还望给个在看！