本文探讨了对话生成的研究，强调了深入阅读论文的重要性。文章介绍了使用神经混合专家（Mixture-of-Experts）的模块化任务导向对话系统，通过门控网络整合专家意见。此外，文章提到了多任务学习在语言理解和对话状态跟踪中的应用，并对比了不同的评价指标和模型。作者还讨论了如何改进对话系统的连贯性和吸引力，以及如何利用自动对话评估者进行重排名以提高生成响应的质量。文章中提到的Hierarchical Disentangled Self-Attention模型通过层次结构增强了对话的语义条件响应生成。实验部分详细阐述了模型结构、损失函数和评估指标。
对于paper不能掉以轻心的态度，还是要好好阅读。
现在的文章各种方法都很多，一定要善于总结。
A Modular Task-oriented Dialogue System Using a Neural Mixture-of-Experts
gating network：
h是所有专家算出来的state和y概率分布的coXncat，经过全连接得到 u l u_l ul， β l \beta^l βl是第 l l l个专家占的比重， u b T u_b^{T} ubT感觉有问题不太明白没看代码。总的来说是专家意见的加权。
loss包含了各个专家的训练loss（chair的单独训练loss也包括）、chair和experts训练loss。加权。
对比模型，只有attnS2S。主要分析各成分的贡献。
metrics：
Inform：The fraction of responses that provide a correct/appropriate entity out of all responses.(就是说是否给出实体,而下面要求实体还符合用户需求）
Success
最低0.47元/天 解锁文章
134
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
