本文研究个性化检索式对话系统，传统的个性化方法利用persona编码增强context表示，然后再与response匹配，而本文提出了DIM模型，核心是context与response，persona与response进行双匹配。 paper: https://drive.google.com/open?id=1WIBSG2pRGhpVmkV4OGNx0X2xQzSu-v2Ccode: https://github.com/JasonForJoy/DIMsource: EMNLP 2019
本文提出了一种少样本下的元学习方法，用于文本分类，在多个数据集上取得较好效果。 paper: https://drive.google.com/open?id=19HtiZOH1jKWtEu_pq38wVYtYOwNIvPiPcode: https://github.com/YujiaBao/Distributional-Signaturessource: Work in Progress for ICLR2020
Introduction任务导向型对话系统用于帮助用户完成某个任务如查电影、找餐馆等，它一般由四个模块组成：自然语言理解模块（Natural Language Understanding, NLU）、对话状态跟踪模块（Dialog State Tracking, DST）、对话策略模块（Dialog Policy, DP）和自然语言生成模块（Natural language Generation
本文是ACL2017上的文章，主要研究对话生成多样性问题，作者提出了基于条件变分自编码器CVAE的对话生成模型，借助于隐变量学习回复的概率分布，同时还引入了回复的diaact信息作为外部语言知识。针对于带RNN decoder的VAE模型训练过程中存在的vanishing latent variable problem，作者引入了一种附加 bag loss。与基线模型相比，本文提出的模型在生成回复的多样性方面有明显提升。 paper linkcode link
本文发表在IJCAI2018上，主要是关于active learning在序列问题上的应用，现有的active learning方法大多依赖于基于概率的分类器，而这些方法不适合于序列问题（标签序列的空间太大），作者提出了一种基于adversarial learning的框架解决了该问题。 paper
本文是FAIR发表于ICIR2019上关于轻量卷积和动态卷积的文章，轻量卷积借鉴于深度可分离卷积，在此基础上提出动态卷积，实验结果证明本文提出的两种卷积方式性能不亚于以Transformer为代表的self-attention，可以应用到更多的自然语言处理任务。 papercode
本文是来自于AAAI2019的一篇关于句子语义匹配的文章，提出了Dynamic Re-read Network（DRr-Net），核心是通过多次计算注意力，每一次计算可以获取最重要的词信息，从而得到一句话的动态表征，结合句子的静态表征和动态表征来得到相似度。 paper link
本文主要研究的是融合情感的开放域对话系统，在seq2seq的基础上增加了VAD (Valence, Arousal and Dominance)编码，引入了情感注意力机制来建模否定词和加强词的影响，使用加权交叉熵损失函数来鼓励模型生成包含情感的词。AAAI2019 paper link
本文是来自于FAIR的一篇关于个性化chitchat对话系统数据集PERSONA-CHAT的论文，发表于ACL2018，论文主要是创建了一个全新的带有对话双方个性的对话数据集，并提供了一些基线模型。基于此数据集，在NIPS2018上举行了 ConvAI2 评测。 paper linkdataset link
本文是文本风格迁移问题的一个尝试，提出了两个模型，核心点在于如何从文本中分离内容特征和风格特征，作者使用了对抗网络来解决这个问题。同时作者建立了paper-news、positive-negative review两个数据集，提出了文本风格迁移两个指标：transfer strength、content preservation，实验证明，与auto-encoder相比，作者提出的模型在内容保存度上接近，在风格迁移度上大幅提高。paper link