基于Transformer的上下文知识库构建用于端到端任务导向对话系统

将知识库（Knowledge Base, KB）融入端到端任务导向对话系统具有挑战性，因为需要对知识库中的实体进行恰当表示，而该表示需同时融合实体所关联的知识库上下文与对话上下文。现有方法仅基于实体的部分知识库上下文进行表示，容易因信息丢失而导致表征效果不佳，进而对知识库推理与回复生成产生不利影响。为解决这一问题，本文提出通过动态感知所有相关实体及对话历史，实现对实体表征的充分上下文化。为此，我们提出一种上下文感知的记忆增强型Transformer框架（COntext-aware Memory Enhanced Transformer, COMET）。该框架将知识库视为一个序列，并引入一种新颖的记忆掩码（Memory Mask）机制，使实体在表征过程中仅关注与其相关的实体及对话历史，同时有效避免无关实体的干扰。通过大量实验验证，结果表明，所提出的COMET框架在性能上显著优于现有最先进方法。