改进的动态记忆网络在对抗训练下的对话行为分类

对话行为（Dialogue Act, DA）分类是对话解释中的一个具有挑战性的问题，其目标是对话语进行语义标注并表征说话者的意图。目前，许多现有的方法将DA分类问题从多分类到结构预测进行了不同的建模，但这些方法存在两个主要限制：a) 这些方法要么基于手工特征，要么记忆能力有限；b) 传统训练方法无法正确分类对抗样本。为了解决这些问题，本文首先将该问题转化为问答问题，并提出了一种改进的动态记忆网络，该网络采用了层次金字塔式话语编码器。此外，我们还应用了对抗训练来训练所提出的模型。我们在两个公开数据集上对模型进行了评估，即Switchboard对话行为语料库和MapTask语料库。大量实验表明，我们提出的模型不仅具有鲁棒性，而且在与一些最先进基线模型的比较中表现出更好的性能。