联合优化神经响应生成的多样性和相关性

尽管最近的神经对话模型展现出巨大潜力，但它们生成的回复往往平淡无奇且缺乏个性。虽然已经探索了多种方法来多样化对话模型的输出，但这些改进通常会以降低相关性为代价。本文提出了一种SpaceFusion模型，通过利用新颖的正则化项，将序列到序列模型和自编码器模型的潜在空间进行融合，从而联合优化多样性和相关性。因此，我们的方法诱导出一个潜在空间，在该空间中，从预测响应向量的距离大致对应相关性，而方向则大致对应多样性。这一特性还使得潜在空间的可视化更加直观。自动评估和人工评估结果均表明，与强大的基线方法相比，所提出的模型在多样性和相关性方面带来了显著的改进。