Key points are not available for this paper at this time.
Estudamos o problema da seleção de respostas para conversas de múltiplas rodadas em chatbots baseados em recuperação. A tarefa envolve a correspondência de um candidato a resposta com um contexto de conversa, cujos desafios incluem como reconhecer partes importantes do contexto e como modelar as relações entre as falas no contexto. Métodos de correspondência existentes podem perder informações importantes em contextos, pois podemos interpretá-los com uma estrutura unificada na qual os contextos são transformados em vetores de comprimento fixo sem qualquer interação com as respostas antes da correspondência. Isso nos motiva a propor uma nova estrutura de correspondência que possa carregar informações importantes nos contextos para a correspondência e modelar as relações entre as falas ao mesmo tempo. A nova estrutura, que chamamos de estrutura de correspondência sequencial (SMF), permite que cada fala em um contexto interaja com um candidato a resposta na primeira etapa e transforma o par em um vetor de correspondência. Os vetores de correspondência são então acumulados seguindo a ordem das falas no contexto com uma rede neural recorrente (RNN) que modela as relações entre as falas. A correspondência contexto-resposta é então calculada com os estados ocultos da RNN. Sob a SMF, propomos uma rede convolucional sequencial e uma rede de atenção sequencial e realizamos experimentos em dois conjuntos de dados públicos para testar seu desempenho. Os resultados dos experimentos mostram que ambos os modelos podem superar significativamente os métodos de correspondência estado-da-arte. Também mostramos que os modelos são interpretáveis com visualizações que nos fornecem insights sobre como eles capturam e aproveitam informações importantes nos contextos para a correspondência.
Wu et al. (Sex,) estudaram esta questão.