admin管理员组

文章数量:1130349

问题：同样的问题，不同的表述，生成的回复就不一致。

解决方法：在seq2seq的的decoder 加入了用户向量，类似词向量，利用用户帐号信息，如性别，方言等训练而成。
实验数据是Twtter的数据，所以会有这些用户数据。

Speaker Model

选取LSTM为Seq2Seq模型的基本单元，LSTM主要的公式如下：

作者给增加了一个向量，可以看做是把变成了,如下所示：

 

Speaker-Addressee Model

由于一个用户对不同的人说话的方式是不一样的，重新对用户进行建模，Vij 表示i对j说话的向量，和上种方法一样，加到decoder。

 

 

问题：同样的问题，不同的表述，生成的回复就不一致。

解决方法：在seq2seq的的decoder 加入了用户向量，类似词向量，利用用户帐号信息，如性别，方言等训练而成。
实验数据是Twtter的数据，所以会有这些用户数据。

Speaker Model

选取LSTM为Seq2Seq模型的基本单元，LSTM主要的公式如下：

作者给增加了一个向量，可以看做是把变成了,如下所示：

 

Speaker-Addressee Model

由于一个用户对不同的人说话的方式是不一样的，重新对用户进行建模，Vij 表示i对j说话的向量，和上种方法一样，加到decoder。

 

 

本文标签： 论文basedPersonaneuralModel

版权声明：本文标题：A Persona-Based Neural Conversation Model论文 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://it.en369.cn/jiaocheng/1754604848a2707625.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。