摘要
端到端的任务导向对话具有挑战性，因为知识库通常规模庞大、动态变化且难以融入学习框架中。为此，我们提出了全局到局部记忆指针（Global-to-Local Memory Pointer, GLMP）网络来解决这一问题。在我们的模型中，设计了一个全局记忆编码器和一个局部记忆解码器来共享外部知识。编码器对对话历史进行编码，修改全局上下文表示，并生成一个全局记忆指针。解码器首先生成一个带有未填充槽位的草图响应。接下来，它通过传递全局记忆指针来过滤外部知识以获取相关信息，然后通过局部记忆指针实例化这些槽位。我们通过实验证明，该模型可以提高复制准确性并缓解常见的词汇表外问题。因此，GLMP 在自动评估和人工评估中均优于先前的最先进模型，在模拟的 bAbI 对话数据集和真实的人类对话数据集（Stanford Multi-domain Dialogue Dataset）上表现尤为突出。