摘要

我们认为在选择回应时，不同话语在上下文中的重要性通常取决于当前的查询。本文提出了一种名为TripleNet的模型，该模型通过三元组<上下文，查询，回应>来全面建模任务，而之前的大多数研究仅使用二元组<上下文，回应>。TripleNet的核心是一种新颖的注意力机制——三重注意力（triple attention），用于在四个层次上建模三元组内部的关系。这种新机制同时且对称地根据其他两个元素的注意力更新每个元素的表示。我们从字符到上下文层次以回应为中心匹配三元组<C, Q, R>来进行预测。实验结果表明，在两个大规模多轮回应选择数据集上的表现中，所提出的模型显著优于现有最先进方法。TripleNet的源代码可在https://github.com/wtma/TripleNet 获取。