通过候选重新排序增强神经对话模型中的自我披露
摘要：使用自然语言处理(NLP)领域中最先进的神经语言模型已经取得了进展。其中一个研究领域是开放域对话建模，基于GPT-2的神经对话模型，如DialoGPT，在单轮对话中展现了有希望的性能。然而，这些(神经)对话模型因为生成的回复虽然可能与之前的人类回应相关，却很快会引起人类的兴趣消失，陷入琐碎的对话，因此受到了批评。造成这种性能问题的原因之一是在人机对话中缺乏明确的对话策略。人类在进行对话时会采用一系列的对话策略，其中一个关键的社交策略是自我揭示(Self-disclosure)。即向他人透露有关自己的信息的现象。社交互动理论(SPT)认为，两个人之间的交流在关系发展的过程中，主要通过自我揭示，从浅层次逐渐深入。揭示有助于在对话中的参与者之间建立联系。本文引入了自我揭示增强架构(SDEA)，在神经对话模型的推断阶段利用自我揭示主题模型(SDTM)对回复候选进行重新排序，以增强模型中单轮回应的自我揭示。
作者：Mayank Soni, Benjamin Cowan, Vincent Wade
论文ID：2109.05090
分类：Computation and Language
分类简称：cs.CL
提交时间：2023-08-29