SpaceFusion

SpaceFusion

كود/بيانات لورقة NAACL'19 لتحسين التنوع والملاءمة بشكل مشترك في توليد الاستجابة العصبية

SpaceFusion هو نموذج تعليمي منتظم متعدد المهام مقترح لمواءمة وهيكلة المساحات الكامنة غير المنظمة التي تعلمتها نماذج مختلفة تم تدريبها على مجموعات بيانات مختلفة. ومما يثير الاهتمام بشكل خاص تطبيقه على نمذجة المحادثة العصبية، حيث يتم استخدام SpaceFusion لتحسين أهمية وتنوع الاستجابات المولدة.

المزيد من الوثائق:

• ورقتنا في NAACL'19 (طويلة، شفهية).

• الشرائح المقدمة في NAACL'19.

• قمنا بنشر مدونة MSR لمناقشة الحدس والتضمين

• أعمال المتابعة لدينا، StyleFusion في EMNLP'19

• أحدث نماذجنا لتقييم/تصنيف الحوار، DialogRPT، في EMNLP'20

متطلبات

تم اختبار الكود باستخدام Python 3.6 وKeras 2.2.4

مجموعة البيانات

لقد قدمنا ​​نصوصًا برمجية لإنشاء مجموعات بيانات Reddit ومعالجة Switchboard بالإضافة إلى مجموعة بيانات الألعاب في هذا الريبو لتصحيح الأخطاء.

يرجى التحقق هنا لمزيد من التفاصيل.

الاستخدام

• لتدريب نموذج SpaceFusion: python src/main.py mtask train --data_name=toy

• لتصور المساحة الكامنة المستفادة: python src/vis.py --data_name=toy

• للتفاعل مع النموذج المُدرب: python src/main.py mtask interact --data_name=toy --method=? حيث يمكن أن تكون الطريقة greedy أو rand أو sampling أو beam . استخدمنا rand في الورقة

• لإنشاء فرضيات للاختبار باستخدام النموذج المُدرب: python src/main.py mtask test --data_name=toy

• لتقييم الفرضيات المولدة python src/eval.py --path_hyp=? --path_ref=? --wt_len=? ، والذي يقوم بإخراج الدقة والاستدعاء وF1 كما هو محدد في الورقة. قد ترغب أولاً في تشغيل هذا الأمر باستخدام -len_only للعثور على wt_len المناسب الذي يقلل الفرق بين متوسط ​​الطول (عدد الرموز) للفرضية والمرجع.

وصف

• main.py هو الملف الرئيسي

• يحدد model.py نموذج SpaceFusion (راجع class MTask ) وبعض الخطوط الأساسية

• يحدد vis.py الوظيفة التي استخدمناها لتصور وتحليل المساحة الكامنة

• يحدد dataset.py وحدة تغذية البيانات

• يحدد shared.py المعلمات التشعبية الافتراضية

الاقتباس

يرجى الاستشهاد بورقة NAACL الخاصة بنا إذا كان هذا الريبو قد ألهم عملك :)

@article{gao2019spacefusion,
  title={Jointly Optimizing Diversity and Relevance in Neural Response Generation},
  author={Gao, Xiang and Lee, Sungjin and Zhang, Yizhe and Brockett, Chris and Galley, Michel and Gao, Jianfeng and Dolan, Bill},
  journal={NAACL-HLT 2019},
  year={2019}
}