【ICJAI2018】Commonsense Knowledge Aware Conversation Generation with Graph Attention_icjai论文报告

p3 in 2019/12/5

论文名称：Commonsense Knowledge Aware Conversation Generation with Graph Attention
… … … ：具有图注意力的常识知识感知会话生成系统
论文作者：HaoZhou, TomYoung, MinlieHuang, HaizhouZhao, JingfangXu, XiaoyanZhu
论文来源：ICJAI2018
下载链接：http://coai.cs.tsinghua.edu.cn/hml/media/files/2018_commonsense_ZhouHao_3_TYVQ7Iq.pdf
源码链接：https://github.com/tuxchow/ccm
参考笔记：https://blog.csdn.net/tMb8Z9Vdm66wH68VX1/article/details/81518247

Abstract

提出一种新的开放域对话的生成模型，在对话生成中使用大规模的常识知识库。

• 以前的方法：将知识三元组分开使用，所用到的知识是非结构化的文本或特定领域的知识三元组。
• 以前方法的不足：不能基于互相关联的实体和它们之间的关系来给出图的语义信息：（1）高度依赖非结构化文本的质量，受限于小规模的、领域特定的知识库；2）通常将知识三元组分开使用，而不是将其作为每个图的完整个体。）
• 本文的方法：常识知识感知对话模型(Commonsense Knowledge Aware Conversational Model, CCM)，将每个知识图作为完整的个体，从而获得结构更清晰，语义也更连贯的编码信息。设计了两种新的图注意力机制。1）静态图注意力机制对检索到的图进行编码，来提升问题的语义，帮助系统充分理解问题。2）动态图注意机制会读取每个知识图及其中的三元组，然后利用图和三元组的语义信息来生成更合理的回复。
• 本文的贡献：1）该项目是首次在对话生成神经系统中，尝试使用大规模常识知识。有了这些知识的支撑，我们的模型能够更好地理解对话，从而给出更合适、信息量更大的回复。2）代替过去将知识三元组分开使用的方法，我们设计了静态和动态图注意力机制，把知识三元组看作一个图，基于与其相邻实体和它们之间的关系，我们可以更好地解读所研究实体的语义。

图 1：两种模型的对比：