[TOIS 2021] Dialogue History Matters！ Personalized Response Selection in Multi-Turn Retrieval-Based Chatbots

现有的多轮对话回复选择方法主要集中于获得多层次和多维度的表示以及上下文话语和候选回复之间更好的交互。然而，在真实对话场景中，回答候选是否合适不仅取决于给定的对话上下文，还取决于其他对话背景，例如措辞习惯、用户特定的对话历史内容等。为了填补现有的对话回复选择方法与现实应用特点之间的差距，我们将用户特定对话历史纳入回复选择的算法框架中，并提出了个性化混合匹配网络（PHMN）。我们的贡献有两方面：（1）我们的模型从用户特定的对话历史中提取个性化的措辞行为作为额外的匹配信息；（2）我们对上下文-候选回复进行混合表示学习，并结合特定的注意机制来从上下文-候选回复交互中提取个性化的重要信息，以提高匹配的准确性。我们在两个具有用户身份的大型多轮对话数据集上评估了我们的模型。实验结果证实，通过结合个性化注意力、措辞习惯建模和混合表示学习，我们的方法显著优于几个强大的基线模型。