如何让模型更具有日常对话的形式--对话系统的可控性

AI TIME欢迎每一位AI爱好者的加入！

对话系统的可控性对于实用系统来说是一个至关重要的问题。第三期AI Time PhD对话系统专题分享的直播间，我们邀请到清华大学计算机系博士后、交互式人工智能组成员郑银河，为大家介绍最新研究成果。

本次分享中，郑银河及其团队将在自然语言生成（NLG）和自然语言理解（NLU）两个方面讨论了对话系统的可控性：首先介绍如何在生成自然语言回复的过程中融入特定的个性化信息，然后讨论如何在自然语言理解模块中有效地识别用户的异常输入。

郑银河，清华大学计算机系与北京三星研究院联合培养博士后，交互式人工智能组（CoAI）成员，博士后合作导师是黄民烈副教授。主要研究方向为对话系统中的自然语言生成与自然语言理解。曾在AAAI, ENMLP, IEEE TASLP等顶级会议与期刊上发表数篇论文。

一、对话系统中的NLU和NLG

自然语言理解（NLU）：对来自用户的自然语言描述进行识别，解析成结构化的信息；

自然语言生成（NLG）：将结构化的语义数据转换成人可以理解的语言格式，如对话回复、文章、报告等。

NLP = NLU + NLG 

NLU 负责理解内容，NLG 负责生成内容。

在本次分享中所提到的NLU的可控性和NLG的可控性包括以下部分：

NLU的可控性：准确地剔除输入中的无效指令和异常指令；

NLG的可控性：生成带有特定特征和内容的对话回复。

二、自然语言生成-个性化回复生成

a)

数据集

传统：PersonaChat 数据集 (“Personalizing Dialogue Agents I have a dog, do you have pets too”)