[论文解读] StalemateBreaker: A Proactive Content-Introducing Approach to Automatic Human-Computer Conversation

Xiang Li, Lili Mou+2 more|arXiv (Cornell University)|Apr 15, 2016

Topic Modeling参考文献 37被引用 24

一句话总结

StalemateBreaker 提出了一种开放域人机对话中的主动内容引入方法，通过检测对话僵局并利用命名实体识别与知识图谱引入新话题。该方法采用一种新颖的 Bi-PageRank-HITS 重排序算法，以提升上下文与回复的相关性，在检测到僵局时相比当前实践水平的系统实现了 +14.4% 的 p@1 提升。

ABSTRACT

Existing open-domain human-computer conversation systems are typically passive: they either synthesize or retrieve a reply provided a human-issued utterance. It is generally presumed that humans should take the role to lead the conversation and introduce new content when a stalemate occurs, and that the computer only needs to "respond." In this paper, we propose StalemateBreaker, a conversation system that can proactively introduce new content when appropriate. We design a pipeline to determine when, what, and how to introduce new content during human-computer conversation. We further propose a novel reranking algorithm Bi-PageRank-HITS to enable rich interaction between conversation context and candidate replies. Experiments show that both the content-introducing approach and the reranking algorithm are effective. Our full StalemateBreaker model outperforms a state-of-the-practice conversation system by +14.4% p@1 when a stalemate occurs.

研究动机与目标

• 为解决开放域对话系统中仅被动响应而无法主动发起对话的局限性，即系统仅被动回应而非主动发起话题。
• 实现通过语言线索（如 '...' 或 'Errr'）自动检测对话僵局。
• 通过从对话上下文中挖掘命名实体，并将其与知识图谱中的相关实体关联，主动引入新话题。
• 开发一种稳健的重排序机制，以增强对话上下文与候选回复之间的交互，提升相关性。
• 在真实世界对话日志上评估系统，并在引入与非引入场景下均证明其优于强基线模型。

提出的方法

• 采用三阶段流水线：通过关键词过滤（如 '...）检测僵局，识别对话上下文中的相关命名实体，并利用基于实体的搜索从大规模数据库中检索候选回复，该数据库基于包含 370 万个元组的知识图谱构建。
• Bi-PageRank-HITS 算法通过建模查询（上下文话语）与回复之间的双向关系实现联合重排序，其在查询-回复交互的二分图上执行随机游走。
• 该算法通过加权组合 PageRank 与 HITS 组件，整合文本相似度得分（基于查询-回复匹配）与基于实体的相关性，其中参数 αx 与 αy 经调优以实现最佳性能。
• PageRank 阶段通过归一化转移矩阵确保收敛，而 HITS 阶段则通过迭代更新权威分与中心分以优化排序结果。
• 系统在包含 980 万个查询-回复对的数据库上进行训练与评估，并利用外部知识生成上下文相关、主动响应的回复。
• 通过网格搜索确定最优参数为 αx = 0.3 与 αy = 1，以最小化对文本相似度的依赖，避免强化僵局模式。

实验结果

研究问题

• RQ1 对话系统是否能在不依赖特定任务模板或规则的前提下，主动在开放域对话中引入新内容？
• RQ2 系统如何检测对话僵局的发生？哪些语言线索对检测有效？
• RQ3 对话上下文中的命名实体在多大程度上可引导从知识图谱中检索语义相关且新颖的内容？
• RQ4 类似 Bi-PageRank-HITS 的联合重排序方法是否能在对话上下文与候选回复的相关性估计中优于传统排序方法？
• RQ5 主动引入内容的机制是否能显著提升回复质量，尤其是在僵局场景下？

主要发现

• 当检测到僵局时，完整版 StalemateBreaker 模型在 p@1 上相比当前实践水平基线实现了 +14.4% 的提升，证明了主动引入内容的有效性。
• Bi-PageRank-HITS 算法在所有指标（p@1、MAP、nDCG）上均优于独立的 PageRank 与 HITS/Co-HITS 基线，以及一个特征丰富的回归模型。
• 参数分析表明，αx = 0.3 与 αy = 1 为最优设置，表明回复的文本相似度具有负面影响，应尽可能降低以避免重复回应模式的强化。
• 收敛性分析表明，Bi-PageRank-HITS 能够快速收敛，通常在 3–5 次全局迭代内完成，具备实时部署的可行性。
• 案例研究显示，StalemateBreaker 能够成功在用户犹豫时引入新话题（如电影引用：WALL-E、The Fairy Princess's Marriage），从而提升对话参与度。
• 系统有效利用外部知识，即使在用户沉默或不活跃时，也能生成上下文相关、多样化且信息丰富的回复。