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。
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