鏈接：https://arxiv.org/abs/1704.07130

文本研究了對稱合作對話(symmetric collaborative dialogue)任務，任務中，兩個代理有著各自的先驗知識，并通過有策略的交流來達到最終的目標。本文還產生了一個11k大小的對話數據集。為了對結構化的知識和非結構化的對話文本進行建模，本文提出了一個神經網絡模型，模型在對話過程中對知識庫的向量表示進行動態地修改。

任務

在對稱合作對話任務中，存在兩個agent，每個代理有其私有的知識庫，知識庫由一系列的項(屬性和值)組成。兩個代理中共享一個相同的項，兩個代理的目標是通過對話找到這個相同的項。

數據集

本文建立了一個對稱合作對話任務數據集，數據集中知識庫對應的schema 中包含3000個實體，7種屬性。數據集的統計信息如下所示

模型

針對對稱合作對話任務，本文提出了DynoNet(Dynamic Knowledge GraphNetwork)，模型結構如下所示

Knowledge graph

圖譜中包含三種節點:item節點，attribute節點，entity節點。圖譜根據對話中的信息進行相應的更新

Graph Embedding

t時刻知識圖譜中每個節點的向量表示為V_t(v)，向量表示中包含了以下來源的信息:代理私有知識庫的信息，共享的對話中的信息，來自知識庫中相鄰節點的信息

Node Features

這個特征表示了知識庫中的一些簡單信息，如節點的度(degree)，節點的類型。這個特征是一個one-hot編碼

Mention vectors

Mentions vector M_t(v) 表示在t時刻的對話中與節點v相關的上下文信息。對話的表示u_t 由個LSTM絡計算得到(后文會提到) 為了區分agent自身產生的對話語句和另一個代理產生的對話語句，對話語句表示為

Mentions vector通過以下公式進行更新

Recursive Node Embeddings

一個節點對應的向量表示也會收到相鄰其他節點的影響

其中k表示深度為k的節點，R表示邊對應的關系的向量表示

最后節點的向量表示為一系列深度的值的連接結果

本文中使用了

Utterance Embedding

對話的向量表示u_t由一個LSTM網絡計算得到

其中A_t為實體抽象函數，若輸入為實體，則通過以下公式計算

若不為實體，則為文本對應的向量表示進行zero padding的結果(保證長度一致)

使用一個LSTM進行對話語句的生成

輸出包含字典中的詞語以及知識庫中的實體

實驗結果

筆記整理：王旦龍，浙江大學碩士，研究方向為自然語言處理。

---

OpenKG.CN

中文開放知識圖譜（簡稱OpenKG.CN）旨在促進中文知識圖譜數據的開放與互聯，促進知識圖譜和語義技術的普及和廣泛應用。

轉載須知：轉載需注明來源“OpenKG.CN”、作者及原文鏈接。如需修改標題，請注明原標題。

?

點擊閱讀原文，進入 OpenKG 博客。

總結

以上是生活随笔為你收集整理的论文浅尝 | 基于动态知识图谱向量表示的对称合作对话代理的学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。