284从对话中提取个人信息安娜·蒂古诺娃马克斯·普朗克信息学研究所萨尔信息学院，德国tigunova@mpi-inf.mpg.de摘要在我的博士研究中，我专注于从对话文本中推断个人这种非结构化的输入不能提供足够的明确断言，因此，个人事实必须从潜在的线索或言语风格中推断出来在我的工作中，我调查了哪些突出的属性可以从对话中提取，哪些工具可能适用于此。CCS概念• 计算方法→信息提取。关键词信息抽取;个人知识;用户分析;会话文本;神经网络ACM参考格式：安娜·蒂古诺娃2020.从对话中提取个人信息。在2020年网络会议（WWW'20Compan-ion）的配套程序中，2020年4月20日至24日，台北，台湾。ACM，美国纽约州纽约市，5页。https://doi.org/10.1145/3366424.33820891引言动机智能助手已经成为生活中必不可少的一部分，能够处理各种日常任务并提供事实信息。尽管如此，创建面向用户的聊天机器人代理的需求仍在不断增长，这些代理能够进行个性化对话。这样的聊天机器人应该知道用户考虑以下人（P）和聊天机器人（C）之间的对话：这是一场艰苦的马拉松比赛，运动鞋成了我的第二只脚！C：希望你好好休息！对了你听说过最近关于蛋白质吸收的惊人研究P：有趣，不...... 告诉我更多在这个对话中，知道用户有体育运动作为爱好，聊天机器人能够建议关于运动营养的讨论主题，这可能是用户感兴趣的然而，为了避免用户提供他们的信息的必要性，代理应该能够直接从他们的话语中学习个人事实本文在知识共享署名4.0国际（CC-BY 4.0）许可下发布。作者保留在其个人和公司网站上以适当的署名传播作品的权利WWW©2020 IW 3C 2（国际万维网大会委员会），在知识共享CC-BY 4.0许可下发布。ACM ISBN 978-1-4503-7024-0/20/04。https://doi.org/10.1145/3366424.3382089在我们的例子中，聊天机器人应该使用因此，我们对从对话中学习个人事实这引起了以下问题：提取什么：哪些个人事实是可行的，从对话中推断，这将是有用的应用程序如何提取：哪些工具将是合适的，关于会话文本用途：所学知识的潜在应用是什么，如何将其关于第一个问题，我们将个人事实定义为贡献（年龄或职业），兴趣，技能，与他人的关系（家庭或商业关系），情感和个性。第二个问题不能通过现有的信息提取方法直接解决。之前关于IE的大量工作通常集中在正式文本上，例如新闻文章和维基百科页面。对话的口语化性质提供了额外的挑战：话语简短而嘈杂[35]，经常有话题漂移[8]和许多代词，这需要彻底的共指消解[10]。然而，对话是描述性和情感信号的丰富来源，因此，它们非常适合推断个人特征。在应用程序方面，我们确定了可能的用途，如增强的聊天机器人，个性化推荐和搜索。提取的事实可以形成个人知识库，这是一种可重复使用的资产，用于管理和传输个人数据[3，35]。现有技术的局限性。以前的工作主要集中在从明确提及中捕捉个人属性[16，35]，然而，在真实对话中很少。隐式学习特征的尝试仅限于具有少量值的属性，例如性别或年龄[22，24]。另一方面，在创建说话人的潜在表示方面已经有了重大的研究工作[15，17]。这种表示可以直接用于对话系统[37]。然而，这些信息是不可理解的，说话者没有机会查看和改变它。此外，潜在表示很难在模型和应用程序之间转移。问题陈述。 作为我的论文的一个核心课题，我提出了从会话数据预测个人属性的问题。在本报告中，我强调了我们在从对话中提取信息方面的工作，描述了已开发的方法，并展望了我们如何进一步加强研究。2相关工作来自转录语音的个人信息我们的研究涉及会话的文本表征，即。转录···WWW安娜·蒂古诺娃285R= f（t，t，...，t）ut t1 2M对话。它们的范围从人与人之间的对话到用户与聊天机器人的交互，可以是开放域[15，36]或面向任务[11，18，23]。另一个可区分的对话来源是文学戏剧和电影剧本[17]。先前的工作调查了个人事实的提取，这些事实从性别[8，16，33]，年龄[8，33]或种族[8，16]，性别事实[10]到用户偏好[18]不等。此外，说话者的关系通常被预测为对对话者态度的极性[ 2 ]或细粒度的关系类型[2，33]。大多数先前的工作使用语言特征集[8，10，17]，语言模型[30]或嵌入[15，18]构建说话者的潜在表征。 创建这种潜在个性的缺点是其有限的可解释性，防止检查其与显式属性的一致性。很少有研究致力于提取精确的个人事实[8，16，33]，通常需要搜索明确的模式Mentions（“我是一名医生”）[16]。然而，这样的断言在真实的对话中是罕见的，这导致了对模型的回忆很差相反，一些作者通过语言特征进行分类[8，17]。此外，Garera 和 Yarowsky 将 伴 侣 身 份 和 n-gram ， 使 用 支 持 向 量 机（SVM）对年龄或性别进行分类[8]。他们的工作的一个主要缺点是推断的属性只采用二进制值。为了预测外显或潜在的个性，通常使用标准的机器学习工具，例如逻辑回归[2]或随机随机场[15]，它们通常对手工制作的语言特征进行操作[8]。一些作品利用对话伙伴的信息，包括他们的身份[2]，个人特质[8]或他们的话语[33]。最近，扬声器的表示是使用神经方法建立的[11，18，33，36]。从社交媒体中提取个人信息 来自社交媒体的文本通常简短而口语化，使它们类似于口语。此外，主题论坛中的讨论线程类似于自然对话的流程。大多数现有的用户分析工作都集中在Twitter上[12，13，15，21，22，24，28，35]。其他研究探讨了Facebook[19，28]，Reddit [9]和其他平台[37]。在预测社交媒体用户的年龄和性别[13，24，28，37]及其个性[9，19]方面做出了重大努力 较少探索但更具体的属性，如起源[24]，政治观点[21，24]，种族[21]，职业[22]或心理健康问题[29]也被考虑在内。 用于社交媒体分析的表示是通过语言特征[9，19]，语言模型[28]，n-gram [24]或嵌入[22]构建的。这些特征随后用于SVM [9，24]，主题模型[21]和神经网络3该方法从对话中收集个人知识的最直接的方法是提取三元组
，可以直接插入到个人知识库中 这在会话域中是不实际的，在会话域中，个人主张很少被明确地表达。因此，我们建议将此问题视为分类任务，其中属性是预先已知的，目标是预测其隐含值。如第2节所示，以前有大量关于预测性别或年龄等说话者特征的工作，通常仅作为二元分类任务[13，24，28]。我们发现探索具有非常长或开放式值列表的个人属性是有趣的，例如爱好，这对下游应用程序（个性化会话代理和会话）更有用。为了解决这个任务，我们提出了两个新的架构，隐藏属性模型（HAM）[32]和基于检索的隐藏属性模型（RHAM），专门针对从对话中推断隐含的个人特质 这些模型杠杆年龄潜在的文本线索，以预测给定属性的值，在目前的工作中，我们调查多值爱好和职业属性。 我在4.1节和4.2节中提供了模型的描述和获得的实验结果。然而，我们的模型的一个缺点是，他们未能利用来自对话伙伴的信息会话本质上是多个说话者之间的互动，因此，对话者的话语提供了重要的上下文，也可以作为属性线索的来源考虑到这一点，我们设想通过整合所有对话参与者的文本来扩展我们的工作我在第4.3节中提出了一个具体的方法。4方法4.1隐藏属性模型体系结构描述。会话数据包含大量噪音，许多单词（如感叹词），整个话语没有提供有价值的信息[35，37]。此外，在上下文之外考虑的话语是无用的。根据这些观察，我们提出了隐藏属性模型（HAM）。 给定一组输入话语U，每一个由项t1，.，tM，HAM的工作分为三个步骤：(1) 考虑到术语的重要性，创建话语的表示utt(2) 从他们所有的声音中，我们都听到了演讲者的声音。考虑到它们的重要性：Rsp = fsp（Rutt，...，Rutt）[13、37]。1N大多数先前工作的一个共同限制是要预测的属性值的数量很少。更有趣的是具有大型甚至开放式价值列表的特质，例如兴趣[1，12]或位置[14]。它们的值通常通过检测实体的明确提及并将其映射到维基百科概念来捕获[1，14]。然而，社交媒体内容仍然不同于自然会话文本，这是由于额外的信号（用户活动或主题标签），这些信号通常与文本一起使用[9，24]。(3) 给定说话者的表示，对属性值进行ak=fobj（Rsp）注意机制是言语和言语的表征，它与说话者和话语成分的关系密切表示。当预测HAM返回值时，来自全连接层的最高得分ak充当fobj。关于HAM的更多细节可以在我们的论文中找到[32]。讨论HAM的优点是它是一个轻量级模型，考虑到参数数量，所需的训练时间和数据量。然而，HAM从对话中提取个人信息WWW286图1：RHAM的管道一个简短的价值观清单，其中没有涵盖职业和爱好属性的所有可能性。为了能够处理无限的值列表，我们引入了一个新的基于检索的模型。4.2正在进行的工作：基于检索的隐藏属性模型概况. 大量类别的监督分类的瓶颈是难以为所有值找到足够的训练数据。利用这一假设，知识的缺失类可以从外部来源，我们介绍RHAMs，检索为基础的隐藏属性模型。RHAM通过使用外部文档集合来预测在训练期间未看到的属性值假设该集合具有所有现有值，则可以认为RHAMs适用于开放式属性。给定说话者的话语作为输入，RHAMS识别文本线索，其用于查询外部文档集合。图1显示了RHAMs的两个核心组件，线索检测和文档排序。提示检测。 让我们... M是输入话语中所有项的级联 在第一阶段中，术语评分模型为每个术语分配得分10. IM，指示术语与正确属性值的相关性。基于所分配的值，选择得分最高的K个术语以形成对文档排名组件的查询由于术语选择过程涉及不可微的argmax运算，因此我们不得不使用策略梯度REINFORCE算法[31]来训练我们的模型。术语评分模型可以通过任何神经体系结构来实现，仍然应该优先考虑考虑术语的上下文首先，术语的选择应该由周围的上下文来指导，以避免过度拟合训练期间观察到的值的线索。其次，语境有助于理解该术语与特定说话者相关考虑到这一点，我们使用BERT模型[7]来选择术语，因为它在许多NLP任务上具有优越的性能文档排名。在第二阶段中，在线索检测之后选择的词形成查询Q= q0. qK，用于对外部集合D = d0... dL. 我们假设集合中的每个文档都可以自动与某个属性值相关联。例如，维基百科页面“教堂”可以标记为“牧师”和“僧侣”。排名器产生的分数为s0. sL，其表示查询Q与集合中的每个文档的相关性单个文档的得分可能需要聚合，因为每个属性值可以由多个文档表示。聚合后，我们得到最终的值得分为0... 一个T，我们排序并返回顶部值作为RHAM的预测。排名器也可以用任何检索模型来实例化我们利用KNRM[34]，这是一种基于嵌入的神经架构，它通过词嵌入捕获语义术语相似性。训练 我们应用REINFORCE算法以半监督的方式训练我们的模型。在不知道最优查询词的情况下，我们无法直接计算词评分模型的损失。REINFORCE有助于通过该模型的参数反向传播，而不管在项选择阶段中的不可微argmax函数。我们将这种训练视为一个策略梯度探索过程，在对每个查询词进行采样后，我们会立即从排名器获得奖励，告知选择是否合适。因此，术语选择器充当策略，其在时间步长τ处以概率p τ对每个输入术语进行采样。4.3未来的工作：培养对话伙伴我们的模型可以有效地处理会话类型的特点，如噪音（通过关注突出的单词）和简洁（通过考虑话语的完整历史），但他们忽略了一个重要的对话方面，这是对话者的讲话。在这里，我提供了如何将其纳入的想法首先，在当前主题的讲话中的歧义可以通过考虑它在对话者的话语的上下文中来避免。考虑以下对话：我整天都在拍照B：这难道不是一件很好的谋生之道吗？没有B摄影师或爱好摄影。接下来，还可以从对话伙伴的句子中提取隐藏的线索例如，从对话哦，我累了我想那是因为你用我们可以从B的言语中得到“胶水”和“船”的线索 这就产生了确定对话者指的是哪个人的问题。最后，来自对话参与者双方的输入对于确定说话者的关系至关重要。 以前关于关系预测的工作主要集中在虚构叙事中的人物[6]，并且仅限于少量推断的关系[33]。WWW安娜·蒂古诺娃287模型文档职业爱好收藏mrrn dcgMRRndcgN-GrAM- .13.43.11.40W2V-C-.09.39.08.32美国有线电视新闻网-.20.52.14.43职业爱好模型Wiki catWeb searchWiki catWebsearchmrrn dcgMRRn dcgMRRn dcgdcg先生RAKE.19.39.11.28.14.37.07.23TextRank.26.45.15.32.20.42.10.28BERT-.50.68.35.55HAM-.32.59.33.55RHAMWiki目录y.43.62.31.51网页搜索.49.66.31.51表1：HAM和RHAM对所见实验的结果考虑到对话伙伴发言的重要性和处理的挑战性，我建议将其作为我们今后工作的主要方向5实验结果5.1实验数据我们调查两个人的属性，职业和爱好。我们从维基百科的综合列表中得出它们的可能值1。输入语句。在我们的实验中，我们使用社交媒体文本作为会话数据的代理。 我们收集了Reddit用户的意见，不考虑幻想和约会子论坛。所有用户都需要有10-50个帖子，每个帖子的长度为10-40个单词。我们只留下了带有人称代词的帖子（除了第三人称），因为它们可能包含人称断言。我们使用Snorkel[25]自动注释了具有爱好和职业值的选定用户，该Snorkel [ 25 ]结合了噪声统计学以得出最终的概率标签估计。 我们使用了两种标记策略：（i）明确的模式搜索（例如，“我是医生”）和（ii）值特定的词汇计数（医生通常会说“医院”，“白细胞”，“处方”）。对于每个可能的属性值，Snorkel根据这两种策略对给定用户话语的结果提供标记概率得分。 我们根据被正面标记的概率对用户进行排序，并选择最高的用户。文件收集。 基于属性值列表，我们自动创建并标记了两个文档集合：维基分类，通过将每个值映射到维基百科类别并使用该值标记每个类别子页面来创建Web搜索，包括100个查询Web搜索引擎的顶级结果，查询“我的工作是[职业价值]”和“我最喜欢的爱好是[爱好价值]”5.2实验装置我们在两种情况下评估我们的模型首先，一个可见的设置，假设来自测试集的所有属性值在训练期间都存在。第二，一种看不见的情况，其中测试和训练的值完全不同。对于第二种情况，我们使用交叉验证，将属性集分成10个不相交的折叠。对于所看到的实验设置，我们使用最先进的方法进行用户分析：SVM分类器（N-GrAM）[4]，高斯过程分类器（W2 V-C）[22]和卷积神经网络1en.wikipedia.org/wiki/List_of_hobbies网站，en.wikipedia.org/wiki/Lists_of_occupationsRHAM.35.55.41.59.27.49.19.38表2：RHAM性能结果看不见的实验相比，基线。模型[5]。除此之外，我们应用BERT，在分类任务上训练。对于看不见的设置，我们选择最先进的无监督关键字提取方法，TextRank[20]和RAKE[27]，我们将其与BM 25[26]配对进行文档排名。对于定量评估，我们计算MRR（我们在属性值上求平均值）和nDCG（我们在用户上求平均值5.3结果定量结果。 我们只为所见的情况提供HAM的评估，并为两种设置提供RHAM。 所见实验的结果见表1。 我们观察到HAM和RHAM都优于作者分析基线，它们中的每一个都达到了与BERT相当的性能。RHAM的优点是它可以用于不可见的情况，如表2所示。RHAM在所有文档集合上的表现优于所有无监督基线，这表明了联合管道中训练关键字检测的好处。定性结果。 我们在图2中通过提供职业属性的注意力权重的可视化来说明HAM的词加权机制。 HAM对“起诉”、“法律”、“有罪”等词的关注度更高，预测职业律师。为了表明对排名文档的远程监督产生良好的关键词提取，我们聚合了每个属性值的最突出的关键词，结果在表3中提供。我们注意到，RHAM能够选择独特的线索，如“蛋糕”，这是更具体的烘焙比烹饪。RHAM还可以对长尾值进行合理的预测，例如模型飞机。烘缝模型飞机（样本数量=64）（样本数量=27）（样本数量=2）蛋糕面包缝制方式 猫尺寸食品奶油绗缝游戏 飞机驾驶员食谱烹饪被子金属结构宋奶酪意大利面织物设计飞机蒸汽烘焙库克音乐玩 能量音乐表3：RHAM6讨论和今后的工作提取结构化的个人信息是个性化聊天机器人、搜索和推荐的关键一步。 转换数据包含丰富的此类知识，然而，提取这些知识具有挑战性。以往的研究尝试大多局限于从显式提及中提取或对琐碎属性进行分类。因此，我认为这是一个值得研究的热门和有趣的问题。··从对话中提取个人信息WWW288图2：职业属性的HAM注意力可视化在这份报告中，我介绍了我们目前的研究，部分试图克服以前的系统的缺点我们对高效捕获文本线索的轻量级模型HAM和能够预测训练数据中缺失值的RHAM进行了分解这些模型显示出令人鼓舞的结果，在数量上优于基线，并给出定性可解释的预测。此外，我还讨论了我对利用会话伙伴话语的看法。我总结了未来工作的一般研究方向与引言中提出的问题相关要提取的内容扩展属性列表，包括说话者之间的关系、最喜欢的歌曲/团队/食物或说话者如何提取改进现有模型，以利用对话参与者的语音，并在不同的会话数据集如何使用探索提取的个人信息可用于个性化聊天机器人或推荐的方式我的研究计划包括涵盖上述部分内容问题，并探讨其他相关任务。致谢我要感谢我的导师格哈德·魏库姆教授和我的合作者波罗蜜塔·米尔扎和安德鲁·耶茨，感谢他们的支持和鼓励。引用[1] Fabian Abel，Qi Gao，Geert-Jan Houben，and Ke Tao.2011年。基于个性化新闻推荐的twitter用户模型分析。在ACM UMAP斯普林格，1-12。[2] Mahmoud Azab，Noriyuki Kojima，Jia Deng，and Rada Mihalcea.2019年。在对话中表现电影人物。在诉讼CONLL99比109[3] 克里斯蒂安·贝蒂斯和汤姆·肯特。2019.个人知识图：一个研究议程。在SIGIR'19的会议记录中217-220[4] Angelo Basile ， Gareth Dwyer ， Maria Medvedeva ， Josine Rawee ， HesselHaagsma，and Malcolm Nissim.2017. N-GrAM：新的格罗宁根作者分析模型-CLEF 2017 PAN笔记本。在CLEF 2017评估实验室和研讨会工作笔记文件。http://ceur-ws.org/Vol-1866/[5] 罗伊·克里斯托佛·贝约和特蕾莎·贡萨尔维斯2018年使用卷积神经网络对推文进行 年 龄 和 性 别 分 类 机 器 学 习 、 优 化 和 大 数 据 。 Springer InternationalPublishing，Cham，337[6] Snigdha Chaturvedi，Mohit Iyyer，and Hal Daume III. 2017.无监督学习文学人物之间的关系。 第31届AAAI人工智能会议。[7] Jacob Devlin ， Ming-Wei Chang ， Wendon Lee ， and Kristina Toutanova.[n.d.]。Bert：深度双向转换器的预训练，用于语言理解。NAACL'19。[8] Nikesh Garera和David Yarowsky。2009年会话类型中潜在传记属性的建模。在ACL/IJCNLP '09的会议记录中[9] Matej Gjurković和Jan Šnajder。2018年Reddit：性格预测的金矿在第二次研讨会上的会议记录。人们的意见，个性和情绪在社交媒体建模，NAACL-HLT'18。87比97[10] 红岩井、南达·坎巴特拉和萨利姆·鲁科斯。2007.从会话语音转录中提取社交网络和传记事实 在ACL'07的会议记录中。[11] 柴坦尼亚湾乔希，费米，和博伊法尔明斯。2017年。目标导向对话中的个性化在对话式人工智能研讨会，NIPS '17的会议记录[12] Pavan Kapanipathi、 Prateek Jain 、 Chitra Venkataramani 和 Amit Sheth 。2014年。基于层次知识库的twitter用户兴趣识别在ESWC'14会议记录。斯普林格，99[13] Sunghwan Mac Kim，Qiongkai Xu，Lizhen Qu，Stephen Wan，and CecileParis.2017. 使用递归神经网络在Twitter上进行人口统计推断 在ACL'17的诉讼中。[14] RevathyKrishnamurthy ， PavanKapanipathi ， AmitPSheth ， andKrishnaprasad Thirunarayan. 2014.利用维基百科预测推特用户的位置。（2014年）。[15] Jiwei Li ， Michel Galley ， Chris Brockett ， Georgios P Spithourakis ，Jianfeng Gao ， and Bill Dolan.2016 年 。 基 于 人 物 角 色 的 神 经 会 话 模 型 。ACL'16的程序。[16] 李翔，Gökhan Tür，Dilek Z.Hakkani-Tür和Qi Li。2014年。会话理解中来自用户话语的个人知识图群体。在IEEE 14th会议记录中。[17] 格雷斯岛Lin和Marilyn A.沃克2011年。世界是一个在AIIDE'11的程序[18] 罗良辰，黄文豪，曾琦，聂再青，孙旭。2019年。 学习个性化的端到端目标导向对话。在AAAI人工智能会议上，卷。三十三6794-6801[19] Dejan Markovikj，S. Gievska，Michal Kosinski，and David Stillwell. 2013.挖掘Facebook数据进行预测性人格建模。在ICWSM 2013中。[20] 拉达·米哈尔恰和保罗·塔劳。2004年。Textrank：将顺序带入文本。在EMNLP '04会议记录404-411[21] 马可·潘纳奇奥蒂和安娜·玛丽亚·波佩斯库2011年。 一种基于机器学习的twitter用户分类方法。第五届AAAI网络日志和社交媒体国际会议。[22] Daniel Preoquiuc-Pietro ， Vasileios Lampos ， and Nikolaos Aletras.2015年。通过Twitter内容分析用户职业类别。在ACL/IJCNLP '15会议录1754-1764年。[23] 昆乾和周瑜。2019.通过Meta学习的领域自适应对话生成。ACL'19的程序[24] Delip Rao，David Yarowsky，Abhishek Shreevats，and Manaswi Gupta.2010. Twitter中潜在用户属性的分类 在第二届搜索和挖掘用户生成内容国际研讨会的会议记录中。ACM，37[25] 放大图片作者：Stephen H.Bach，Henry Escherberg，Jason Fries，Sen Wu，and Christopher Ré. 2017年。浮潜。VLDB捐赠的诉讼11，3（2017年11月），269https://doi.org/10.14778/3157794.3157797[26] 斯蒂芬·罗伯逊和雨果·萨拉戈萨。2009年 概率相关性框架：BM 25及以后。Found. 趋势信息Retr. 3，4（2009），333-389.[27] 斯图尔特·罗斯戴夫·恩格尔尼克·克莱默和温迪·考利2010. 从单个文档中自动提取关键字。文本挖掘：应用与理论1（2010），1-20。[28] Maarten Sap ， Gregory Park ， Johannes Eichstaedt ， Margaret Kern ，DavidStillwell ， Michal Kosinski ， Lyle Ungar ， and Hansen AndrewSchwartz. 2014年。在社交媒体上开发年龄和性别预测词汇在诉讼EMNLP[29] 朱迪·汉文·沈和弗兰克·鲁济茨。2017年。通过Reddit检测焦虑第四届计算语言学和临床心理学研讨会论文集-从语言信号到临床现实。58比65[30] Yiping Song，Zequn Liu，Wei Bi，Rui Yan，and Ming Zhang.2019年。 学习 为 基 于生 成 的对 话 系统 定 制语 言 模型 。arXiv 预 印本 arXiv：1910.14326（2019）。[31] Richard S Sutton，David A McAllester，Satinder P Singh，and Yishay Mansour.两千基于函数逼近的强化学习策略梯度方法神经信息处理系统的进展。1057-1063年[32] 安娜·蒂古诺娃，安德鲁·耶茨，帕拉米塔·米尔扎，格哈德·威库姆。2019年。在线之间的倾听：从对话中学习个人属性在WWW'19的会议记录中。1818-1828年。[33] 放大图片作者：Charles Welch，Verónica Pérez-Rosas，Jonathan K.库默菲尔德和拉达·米哈尔恰。2019年。看看谁在CICLing的诉讼中。Springer，LaRochelle，France. https://arxiv.org/abs/1904.11610[34] Chenyan Xiong ，Zhuyun Dai， Jamie Callan ，Zhiyuan Liu ， and RussellPower. 2017. 端到端的神经Ad-hoc排名与内核池。 在SIGIR'17的会议记录中。[35] 颜安子、黄恒森、陈新熙2019年。基于文本的生活日志的个人知识库构建在SIGIR'19的会议记录中185-194。[36] Saizheng Zhang ， Emily Dinan ， Jack Urbanek ， Arthur Szlam ， DouweKiela，and Jason Weston.2018年 个性化对话代理商：我有一只狗，你也有宠物吗？在ACL'18的诉讼中[37] Yinhe Zheng ， Guanyi Chen ， Minlie Huang ， Song Liu ， and XuanZhu.2019年。具有多样化特征的个性化对话生成。arXiv预印本arXiv：1901.09672（2019）。···
我的内容管理
展开
