lic2019 competition

1. Formalisation des tâches

L'objectif de cette piste est de mettre en place des tâches de chat actives basées sur des graphiques de connaissances. Adresse du site officiel du dialogue axé sur la connaissance

entrer:

Cible de conversation g, où g=START->TOPIC_A->TOPIC_B ; signifie que la machine discute activement depuis l'état de démarrage à froid avec le sujet A, puis avec le sujet B. Cela signifie que dans cette tâche, la machine guide activement la conversation ; dans cette tâche, les sujets spécifiques incluent les films et les personnages de divertissement.

Les informations de connaissances associées M, où M=f1, f2,...,fn comprennent trois catégories, à savoir : les informations de connaissances du sujet A, les informations de connaissances du sujet B et les informations associées du sujet A et du sujet B. Dans cette tâche, les informations de connaissances pertinentes spécifiques incluent le box-office du film, le réalisateur et l'évaluation, etc., exprimées sous la forme de SPO. C'est-à-dire (Sujet, Prédicat, Objet), c'est-à-dire (entité un, prédicat, entité deux).

Séquence de dialogue actuelle H=u1,u2,...u(t-1)

Sortir:

La machine répond.

2. Introduction des données (voir site officiel)

3. Méthode d'évaluation

Combinaison d'indicateurs d'évaluation automatique et d'indicateurs d'évaluation manuelle. L'indice d'évaluation automatique considère trois niveaux de mesure, à savoir le niveau des caractères (score F1), le niveau des mots (BLEU) et la diversité des réponses (DISTINCT). Concernant la diversité des réponses, elle repose toujours sur le calcul de mots, mais elle examine une autre dimension des mots générés. Dans la référence 2, l'auteur écrit :

distinct-1 et distinct-2 sont respectivement le nombre d'unigrammes et de bigrammes distincts divisé par le nombre total de mots générés

4. Processus général

En référence au didacticiel officiellement fourni par PyTorch (voir référence 4), la façon de résoudre le problème du point de vue de seq2seq consiste à diviser les multiples tours de dialogue en phrases parallèles. Par exemple, la séquence de dialogue actuelle H=u1,u2,...u(t-1) peut être divisée en t-2 groupes d'échantillons, qui sont : u1->u2;u2->u3;...; u (t-2)->u(t-1); Cependant, il y a un problème évident avec cette méthode de division : la fluidité entre les phrases. Cela devrait être une question, mais je n'y ai pas réfléchi profondément.

5. Réalisation de l'idée

Actuellement, le code du didacticiel du Chatbot officiel de PyTorch a été refactorisé, chaque module a été découplé et un bug a été découvert. Sur cette base, préparez-vous à mettre en œuvre une référence, une adresse de code

Pour les idées de mise en œuvre, nous nous référons principalement à l'article « A Knowledge-Grounded Neural Conversation Model », qui comprend deux parties principales :

Premièrement : comment intégrer les informations du graphe de connaissances dans le modèle ;

Deuxièmement : la mise en œuvre du mécanisme de mémoire ;

Remplir:

La section 3.2 de l'article IJCAI16 « Neural Generative Question Answering » propose deux méthodes d'interaction entre l'entrée et KG :

Premièrement : le modèle bilinéaire

Deuxièmement : modèle de correspondance basé sur CNN

se référer à :

0.www2018,《DKN : Réseau profond axé sur les connaissances pour la recommandation d'actualités》

1. La 6e Conférence nationale sur le traitement des médias sociaux-SMP2017 Évaluation de la technologie chinoise de dialogue homme-machine (ECDT)

Contient deux tâches : classification du domaine d'intention de l'utilisateur et évaluation en ligne du dialogue homme-machine basé sur des tâches spécifiques au domaine.

2.《Une fonction objective favorisant la diversité pour les modèles de conversation neuronale》

3.《Un modèle de conversation neuronale basé sur la personnalité》

4. Tutoriel chatbot avec pytorch

5. Plan finaliste du concours de dialogue JDDC 2018

6. Comment une machine peut-elle deviner ce que vous pensez ? La plateforme de prédiction Alibaba Xiaomi décryptée

7. Démontez le noyau d'Alibaba Xiaomi et voyez la logique de mise en œuvre de l'interaction homme-machine intelligente

8. Révélez le secret en un seul article ! L'ensemble du processus de construction d'un graphe de connaissances de bas en haut

9. Comment le graphe de connaissances créé pour le commerce électronique détecte-t-il les besoins des utilisateurs ?

10. Comment les ingénieurs d’Alibaba mettent-ils en œuvre la carte des connaissances en matière de santé ?