Ref

• Neural Responding Machine for Short-Text Conversation,Lifeng Shang, Zhengdong Lu, Hang Li,2015

Introduction

• 李航老师团队的成果
• 基于seq2seq + attention 建模
• 贡献了包含440w条多轮对话的语料，数据来自微博

problem

沿用 seq2seq+attention 模型对 post-response pair 建模。由于post-response pair 并是不严格的平行语料，同一个word 在不同的context 中可能具有不同的meanings, 考虑将 context information 加入到经典的seq2seq+attention 模型中作为补充。

model

• 一轮对话
• end2end framework，RNN with GRU
• global scheme: 将 RNN 中的last hidden state hgT $h^g_T$ 作为整个句子的全局信息
• local scheme:采用经典的seq2seq+attention, 将 注解 hj $h_j$ 称为局部信息
• 将 hgT $h^g_T$ 与 hj $h_j$ 拼接，作为具有上下文信息的 attention signal
• global encode 和 local encode 分开训练
• 最大似然估计
• decode 采用beam search, beam size = 10
• 评估：设计评分规则，人工评测

模型架构图如下

comment

发布了一个对话系统数据集；模型在attention的基础上加入context information 思路可取，但是方法的创新性不足。