Maximizing Stylistic Control and Semantic Accuracy in NLG: Personality Variation and Discourse Contrast
Vrindavan Harrison, Lena Reed, Shereen Oraby, Marilyn Walker
https://arxiv.org/abs/1907.09527
用于面向任务的对话的神经生成方法通常从使用域信息数据库填充的含义表示生成,例如描述餐馆的数据表。虽然早期的工作仅关注输出的语义保真度,但最近的工作已经开始探索控制生成文本的风格同时实现语义准确性的方法。在这里,我们尝试两种风格基准任务,生成表现出个性差异的语言,并产生话语对比。我们报告在这两个基准测试中,在风格控制和语义准确性方面都取得了巨大的性能提升。我们测试了几种不同的模型,并表明在解码器中放置风格条件并消除早期模型中使用的语义重新排序器会导致BLEU个性化程度提高15个以上,语义错误减少到接近零。我们还报告了从0.75到0.81的控制对比度和语义错误从16%减少到2%的改进。
- SlugBot: Developing a Computational Model andFramework of a Novel Dialogue Genre
标题:SlugBot:开发一种新型对话体裁的计算模型和框架
作者: Kevin K.Bowden, Marilyn Walker
备注:arXiv admin note: text overlap with arXiv:1801.01531
链接:https://arxiv.org/abs/1907.10658
- Reinforced Dynamic Reasoning for Conversational Question Generation
标题:用于会话问题生成的强化动态推理
作者: Boyuan Pan, Huan Sun
备注:Accepted in ACL 2019
链接:https://arxiv.org/abs/1907.12667
提出来了新任务,根据给定段落以及先前的问题,生成后续的问题
未创建数据集
- Reinforcement Learning for Personalized Dialogue Management
标题:个性化对话管理的强化学习
作者: