Key points are not available for this paper at this time.
La conversation humain-ordinateur à domaine ouvert a suscité beaucoup d'attention dans le domaine du NLP. Contrairement aux systèmes de dialogue spécifiques à un domaine basés sur des règles ou des templates, la conversation à domaine ouvert nécessite généralement des approches basées sur les données, qui peuvent être grossièrement divisées en deux catégories : les systèmes basés sur la récupération et ceux basés sur la génération. Les systèmes de récupération recherchent une utterance émise par l'utilisateur (appelée requête) dans une grande base de données et retournent une réponse qui correspond le mieux à la requête. Les approches génératives, typiquement basées sur des réseaux de neurones récurrents (RNN), peuvent synthétiser de nouvelles réponses, mais elles souffrent du problème de générer des utterances courtes et dépourvues de sens. Dans cet article, nous proposons un nouvel ensemble de systèmes de dialogue basés sur la récupération et la génération dans le domaine ouvert. Dans notre approche, le candidat récupéré, en plus de la requête originale, est donné à un générateur de réponses basé sur RNN, de sorte que le modèle neural ait connaissance de plus d'informations. La réponse générée est ensuite renvoyée comme un nouveau candidat pour une post-réévaluation. Les résultats expérimentaux montrent que cet ensemble surpasse largement chacune de ses parties.
Song et al. (Sun,) ont étudié cette question.