采样至关重要！基于检索式对话系统中匹配模型学习的负采样策略实证研究

我们研究如何采样负例，以自动构建有效的训练集，从而提升基于检索的对话系统中模型的学习效果。受学习过程中动态适应负例与匹配模型这一思想的启发，我们提出了四种采样策略：最小采样（minimum sampling）、最大采样（maximum sampling）、半困难采样（semi-hard sampling）以及衰减困难采样（decay-hard sampling）。在两个基准数据集上，结合三种匹配模型的实证研究结果表明：相较于广泛使用的随机采样策略，前两种策略会导致性能下降，而后两种策略则能够在两个基准数据集上持续提升所有模型的性能。