Réseau de Correspondance Séquentiel : Une Nouvelle Architecture pour la Sélection de Réponses Multitour dans les Chatbots Basés sur la Récupération

Nous étudions la sélection de réponses pour les conversations à plusieurs tours dans les chatbots basés sur la recherche. Les travaux existants concatènent soit les énoncés dans le contexte, soit ils font correspondre une réponse avec un vecteur contextuel très abstrait en finale, ce qui peut entraîner la perte des relations entre les énoncés ou d'informations contextuelles importantes. Nous proposons un réseau de correspondance séquentiel (SMN) pour résoudre ces deux problèmes. L'SMN commence par faire correspondre une réponse avec chaque énoncé du contexte à différents niveaux de granularité, et distille des informations de correspondance importantes de chaque paire sous forme de vecteur grâce à des opérations de convolution et de regroupement. Ces vecteurs sont ensuite accumulés dans l'ordre chronologique par un réseau neuronal récurrent (RNN), qui modélise les relations entre les énoncés. Le score final de correspondance est calculé à partir des états cachés du RNN. Une étude empirique sur deux ensembles de données publics montre que l'SMN peut significativement surpasser les méthodes les plus avancées pour la sélection de réponses dans les conversations à plusieurs tours.