孙润鑫 马龙轩 张伟男 刘 挺

(哈尔滨工业大学社会计算与信息检索研究中心 哈尔滨 150001)

近年来，随着大数据的发展以及深度学习技术的兴起，对话系统这一研究领域已经取得了长足的进步.由于Seq2Seq(sequence-to-sequence)模型[1]的出现，许多模型采用了端到端的方式并基于大规模的人类对话语料进行训练，已经收到了一定的效果.然而，这些模型的问题在于其总是倾向于生成较为通用的回复[2]，这也是目前该领域面临的一大挑战.

事实上，通过引入外部知识使得模型生成信息更加丰富的回复，正逐渐成为这一问题可能且可行的方法之一.并且到目前为止，已经出现了一些富有建设性的成果.Ghazvininejad等人[3]是对一组候选事实进行检索，然后将其结果与对话信息相结合.Zhang等人[4]借助说话人的个人资料，使得模型可以生成一致性更好且更吸引人的对话.而Mem2Seq[5]则通过引入外部知识库的方式，以提升回复内容的丰富度.但是，这些工作大多是将现有的事实类知识整合到对话系统中，而此类知识的构建过程费时费力，且具有较大的局限性，从而在一定程度上制约了大规模数据的使用，以及现有系统的应用和落地.

基于文档的对话是一项在讨论特定文档的内容时，生成较自然对话回复的任务.与以往基于知识的对话不同，该任务采用文档作为知识源，因此能够使用较为广泛的知识，且无需对其预先进行构建.并且其与基于文档的问答也有所不同，相较于后者此时不仅需要考虑对话与文档之间的关系，同时还应考虑对话内部的联系以对其充分理解.针对这一任务，我们应主要从3个方面进行考虑：1)理解对话中各句之间的关系；……