[论文解读] A Survey of Document Grounded Dialogue Systems (DGDS)

Longxuan Ma, Weinan Zhang+2 more|arXiv (Cornell University)|Apr 17, 2020

Topic Modeling参考文献 132被引用 10

一句话总结

本综述介绍了文档对齐对话系统（DGDS），这是一种新型范式，其中对话智能体基于非结构化文档（如产品手册或新闻文章）生成回应。该综述回顾了架构、数据集、模型以及诸如多跳推理和一对多响应生成等挑战，倡导将DGDS作为知识密集型、类人对话系统未来发展的关键方向。

ABSTRACT

Dialogue system (DS) attracts great attention from industry and academia because of its wide application prospects. Researchers usually divide the DS according to the function. However, many conversations require the DS to switch between different functions. For example, movie discussion can change from chit-chat to QA, the conversational recommendation can transform from chit-chat to recommendation, etc. Therefore, classification according to functions may not be enough to help us appreciate the current development trend. We classify the DS based on background knowledge. Specifically, study the latest DS based on the unstructured document(s). We define Document Grounded Dialogue System (DGDS) as the DS that the dialogues are centering on the given document(s). The DGDS can be used in scenarios such as talking over merchandise against product Manual, commenting on news reports, etc. We believe that extracting unstructured document(s) information is the future trend of the DS because a great amount of human knowledge lies in these document(s). The research of the DGDS not only possesses a broad application prospect but also facilitates AI to better understand human knowledge and natural language. We analyze the classification, architecture, datasets, models, and future development trends of the DGDS, hoping to help researchers in this field.

研究动机与目标

• 提出一种基于背景知识（特别是非结构化文档）而非功能角色的对话系统新分类框架。
• 分析当前DGDS的现状，包括架构设计、数据集以及文档对齐响应生成的模型架构。
• 识别关键挑战，如多跳推理、一对多响应生成，以及在不同文档类型上的模型泛化能力。
• 全面概述DGDS的研究趋势与未来方向，以指导社区推进知识密集型对话系统的发展。

提出的方法

• 基于背景知识（非结构化文档）而非功能角色（如任务导向型或闲聊型）对对话系统进行分类。
• 回顾通过记忆网络和图神经网络（GNNs）增强的编码器-解码器架构，以实现对文档证据的推理。
• 研究图结构（例如HDE图、基于知识图谱的QUEST）在建模多跳推理和跨多份文档的证据整合中的应用。
• 提出使用具有结构化奖励的强化学习来指导对话策略并提升响应质量。
• 引入多参考训练和与人类判断对齐的评估指标，以应对一对多响应生成问题。
• 倡导采用支持知识保留与跨新文档类型和结构迁移的终身学习框架。

实验结果

研究问题

• RQ1 如何基于背景知识而非功能任务对对话系统进行重新分类？
• RQ2 文档对齐对话系统中的核心架构组件与建模技术有哪些？
• RQ3 哪些数据集支持对话中的多跳推理与文档级理解？
• RQ4 如何使模型生成多样且正确但不在参考答案中的响应（即一对多问题）？
• RQ5 在终身学习设置下，哪些机制可实现模型在不同文档类型与结构间的泛化能力？

主要发现

• 文档对齐对话系统（DGDS）通过将回应基于非结构化文档，为对话系统提供了有前景的未来发展方向，使对话更加丰富且知识密集。
• 基于图的模型（如GCN、GRN和HDE图）通过在多份文档间建模证据链，显著提升了多跳推理能力。
• 利用GNN将候选、文档和实体表示为节点，可更有效地整合多粒度证据，以支持复杂问答任务。
• 当前的评估指标（如BLEU和PPL）在一对多响应生成任务中表现不足；亟需与人类判断对齐的新评估指标。
• 结合结构化奖励的强化学习通过显式建模对话策略与长期连贯性，显著提升了响应质量。
• 支持知识保留与跨新文档类型迁移的终身学习框架，是实现可扩展且泛化能力强的DGDS的关键。