의미적으로 조건화된 LSTM 기반 자연어 생성기술을 이용한 음성 대화 시스템

자연어 생성(NLG)은 음성 대화의 핵심 구성 요소이며 사용성 및 인지된 품질에 상당한 영향을 미칩니다. 일반적으로 사용되는 대부분의 NLG 시스템은 규칙과 휴리스틱을 사용하여 인간 언어의 자연스러운 변화를 갖지 못한 경직되고 스타일화된 응답을 생성하는 경향이 있습니다. 또한 다중 도메인과 다중 언어를 아우르는 시스템으로 쉽게 확장되지 않습니다. 본 논문은 의미적으로 제어된 장단기 기억(Long Short-term Memory, LSTM) 구조 기반의 통계적 언어 생성기를 제안합니다. LSTM 생성기는 간단한 교차 엔트로피 학습 기준을 사용하여 문장 계획과 표면 실현을 공동 최적화함으로써 정렬되지 않은 데이터에서 학습할 수 있으며, 출력 후보를 샘플링하여 언어 변이도 쉽게 달성할 수 있습니다. 휴리스틱이 적음에도 불구하고, 서로 다른 두 테스트 도메인에서의 객관적 평가 결과 제안된 방법이 이전 방법에 비해 성능을 향상시킨 것으로 나타났습니다. 사람 심사자들은 LSTM 시스템에 대해 정보성 및 자연스러움에서 더 높은 점수를 부여했으며, 전반적으로 다른 시스템보다 이 시스템을 선호했습니다.