基于显式主题增强的单轮对话生成

对话生成受到学术界和工业界的广泛关注,然而现有的对话生成模型忽视了源句与目标句在主题上的相关性,使得生成的内容质量大打折扣.该文提出了一个基于显式主题增强的单轮对话生成模型,首先通过多种方式微调BERT模型得到高质量的词向量,然后利用 LDA模型提取源句与目标句中的主题词作为额外信息输入,通过主题过滤和文本过滤两个模块,对输入信息进行筛选,从而显式地增强主题相关性,最后利用变分自动编码器独特的重构再采样特性生成语义一致、主题相关且内容丰富的回复.该文在 NLPCC2017 发布的ECG数据集上进行相关实验,实验结果表明,该文方法与主流的基于 Seq2 Seq模型的方法相比,在生成回复的流畅性和主题相关性等方面均有明显提升.