文章总结的两点还挺有意思的 用基于连接的方法来做对话是因为有大规模的语料 之前几年的对话系统研究都集中在把所有的组件都替换一遍。 工作中用了 wikipedia summaries NELL knowledge base related work中列觉了很多利用外部知识的对话系统的工作 这个工作中把context中的非停用词的相关knowledge都抽取出来，然后用Bag-of-words
这是一篇发表在NIPS2017上的工作，提出了一个模型叫做GraphSAGE，用来解决图表示的。提出了一个问题However, most existing approaches require that all nodes in the graph are present during training of the embeddings;作者把这些模型叫做transductive的，而他提出来的
Introduction使用了Recall gate去将knowledge整合进LSTM中。其中由sentence modeling, knowledge triggering和conversation modeling components。想法看着还比较简单，就是先将knowldege pair先映射成dense vector，然后直接拼接到LSTM的cell中。
如何评价对话生成的质量而不使用人工标注是一个还未解决的问题。这篇文章将证明现在已有的这些评测指标和Twitter domain的人工评测质量只有一点点的相关性，而在Ubuntu domain上则是毫不相关。这些评测值通常来自于机器翻译、文本摘要，比如BLEU、METEOR和ROUGE。这些指标都假设了合法的回复都有明显特殊的词是和ground truth的回复有重复的。这是一个在对话领域中相当强的
Papers以下三篇论文都是通过copy机制，想要能够在生成阶段生成输入中的词语，这样就可以组合出更多的句式。我们想看看这个方法能否应用到对话生成中去。第一篇论文是后两篇的基础。 Pointer Networks Incorporating Copying Mechanism in Sequence-to-Sequence Learning Get To The Point: Summariza
Abstract这篇文章是NAACL2018的Outstanding Paper。这篇文章的测试任务包括了情感分析。
这篇paper是被Goldberg顺带怼过的一篇文章，也算是走红了。已有的文本生成工作具有不可控的属性，比如我不知道我下一句话生成的会是一个什么情感的句子。或者是什么时态的句子，这是机器人必须突破的限制。我的前端语义理解系统理解出来了用户可能需要一个positive的回复，但是我如何给呢？ 这篇文章的主要思路是用类似GAN的方式，互相促进，同时把这个学习信号嵌入到Generator的一个位上。 C
Introduction本文提出的一个active sentiment domain adaptation方法来解决negative transfer的问题。利用的是general sentiment information和少量的从target domain中的actively selected labeled samples。general sentiment information是从sen
Introduction这篇论文想提出一个新的CNN使用范式，能够解决对graph的建模。常规的图有图像、视频和语音，非常规的有社交网络、脑连接体或者词嵌入。其中的难点在于convolution和pooling都是针对常规图结果做的定义。 Hard Termsspectral graph theoryspectral graph theory研究graph的graph matrics的特征值和特征