Adversarial Learning for Neural Dialogue Generation in Tensorflow

Adversarial-Learning-for-Neuronal-Dialogue-Generation-in-Tensorflow

das Papier: Adversarial Learning for Neural Dialogue Generation https://arxiv.org/pdf/1701.06547.pdf

die Papierübersetzung auf Chinesisch:http://blog.csdn.net/liuyuemaicha/article/details/60581187

Konfiguration:

TensorFlow 0.12.0 Python 2.7

Einführung in das Projekt: al_neural_dialogue

1.

gen_data: Trainingsdaten für das Gen-Modell

disc_data: Trainingsdaten für das Disc-Modell

Disc: Code zum Disc-Modell

gen: Code zum Gen-Modell

Utils: Code für Datenoperationen und Modellkonfiguration

beachten:

gen_data umfassen chitchat.train.answer, chitchat.train.query, chitchat.dev.answer, chitchat.dev.query (insgesamt vier Dateien)

Zu den Disc-Daten gehören „disc.dev.answer“, „disc.dev.query“, „disc.dev.gen“ und „disc.train.answer“, „disc.train.query“ und „disc.tran.gen“ (insgesamt sechs Dateien).

Formel für Trainingsdaten , ein Satz, eine Zeile und durch Leerzeichen getrennt, z. B.: Ich will nicht!

2.Lauf

Python al_neural_dialogue_train.py

Einführung

def main(_):

'''

# Step_1 Gen-Modell trainieren

 # gen_pre_train()

# model test
# gen_test()

# step_2 gen training data for disc
# gen_disc()

# step_3 training disc model
# disc_pre_train()

# step_4 training al model
# al_train()

# model test
# gen_test() 

'''

Modelleinführung

1、Disc-Modell: hierarchisches RNN (Papier – Aufbau von End-to-End-Dialogsystemen unter Verwendung generativer hierarchischer neuronaler Netzwerkmodelle)

2、Gen-Modell: seq2seq-Modell mit Aufmerksamkeit (GRU-Zelle)

3. Belohnungsmethode: Monte-Carlo-Suche

4、optimal: Richtliniengradient