과제 지향 대화를 위한 전역-지역 메모리 포인터 네트워크

엔드투엔드 과제 지향 대화는 지식 기반이 보통 크고 동적이며 학습 프레임워크에 통합하기 어려워 도전적입니다. 우리는 이 문제를 해결하기 위해 전역-지역 메모리 포인터(GLMP) 네트워크를 제안합니다. 본 모델에서는 외부 지식을 공유하기 위해 전역 메모리 인코더와 지역 메모리 디코더를 제안합니다. 인코더는 대화 이력을 인코딩하고 전역 문맥 표현을 수정하며 전역 메모리 포인터를 생성합니다. 디코더는 먼저 빈 슬롯이 포함된 스케치 응답을 생성합니다. 다음으로 전역 메모리 포인터를 전달해 관련 정보를 위해 외부 지식을 필터링하고 지역 메모리 포인터로 슬롯을 구체화합니다. 우리는 실험적으로 본 모델이 복사 정확도를 향상하고 일반적인 어휘 외 문제를 완화할 수 있음을 보였습니다. 결과적으로 GLMP는 자동 평가 및 인간 평가 모두에서 모의 bAbI 대화 데이터셋과 인간-인간 스탠포드 다중 도메인 대화 데이터셋에서 기존 최첨단 모델들을 능가합니다.