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
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
他们想增强一些能够明显区分同义词和反义词的特征。
IntroductionIn this paper thye propose two novel and general approaches for generating sense-specific word embeddings that are grounded in an ontology. 但是通用的词向量只为一个词分配一个词向量，无法解决解决一词多义的问题。 虽然Yu and Dre
Introduction这篇文章提出了一个叫做AutoExtand的方法，来运用其他的信息来增强word embedding的性能。用于学习用来表示synsets和lexemes。用于一些公开的知识库上，比如WordNet, Wikipedia和Freebase。 synset是指一个词语集合，这里面的词可以在一定的条件下相互替换。lexeme会将一个特定的拼写和发音和一个特定的意思匹配在一起。也
这篇文章想用同一语言和跨语言资源中获得的约束来增强词向量的质量。