当前位置: 代码迷 >> 综合 >> Grounded Conversation Generation as Guided Traverses in Commonsense Knowledge Graphs
  详细解决方案

Grounded Conversation Generation as Guided Traverses in Commonsense Knowledge Graphs

热度:62   发布时间:2024-02-25 03:27:49.0

论文目的

用常识性知识图显式地建模会话流

论文方法

通过将对话与概念空间联系起来,ConceptFlow将潜在的对话流表示为沿着常识关系在概念空间中遍历。

任务描述

user输入话语X(有m个单词),对话生成模型使用encoder-decoder框架产生回答

Concept Graph Construction

先找到出现在对话里的概念V_0,然后再去常识库找到1-hop和2-hop的邻居V_1和V_2,V_0到V_1形成central concept graph G_central(与当前对话主题相近),V_1到V_2形成outer graph G_outer。

Encoding Latent Concept Flow

从当前对话出发,遍历G_central和G_outer

  • Central Flow Encoding :G_central被GNN编码后产生信息
  • Outer Flow Encoding :使用attention机制,融合V_1和V_2对应的概念embedding

Generating Text with Concept Flow

为了同时考虑用户话语和相关信息,解码器使用两个组件来合并来自用户话语和潜在概念流的文本:1)结合其编码的上下文表示。 2)从上下文表示中条件生成单词和概念。

  • Context Representation :使用GRU得到output context representation s_t, 即s_t = GRU(s_t-1, c_t-1 * y_t-1), y_t-1 是上一步生成的内容的embedding,c_t-1是综合上一步的文本表示和概念表示。
  • Generating Tokens :使用s_t decode

实验内容

Dataset

使用Reddit数据集

baseline

  • standard Seq2Seq
  • knowledge enhanced ones
  • fine-tuned GPT-2 systems

实验过程

五类实验

  • Response Quality : 使用自动评估和人类评估来比较conceptflow和其他baseline
  • Effectiveness of Multi-hop Concepts :考虑hop因素,考察考虑G_central 与 同时考虑G_central和G_outer的区别
  • Hop Steps in Concept Graph:考虑hop因素,考察更多hop对结果的影响(e.g. 3-hop)
  • Case Study
  • Learned Attentions on Concepts :探究conceptflow更多的使用了哪种hop对应的概念

论文亮点

  1. 实验充分
  相关解决方案