本文共 1019 字，大约阅读时间需要 3 分钟。
腾讯AI Lab与香港中文大学合作推出了QuaSe（Quant化指导下的序列编辑）模型，旨在解决生成与给定数值相匹配的句子研究问题。该模型通过量化指标引导进行序列编辑，可以扩展到诸如CTR引导下的新闻标题和摘要生成、广告描述生成等业务场景。QuaSe模型通过VAE（变分自编码器）架构，设计了两个Encoder和一个Decoder，能够在给定句子及其数值评分下生成与目标数值相匹配的句子。
论文的主要任务是根据给定的句子及其数值评分（如Yelp平台的用户评价），生成与目标数值相匹配的句子，同时保持原句的主要内容。研究的挑战包括：
QuaSe模型包含单句建模和序列编辑两个部分。单句建模通过VAE建模隐变量Z和Y，表示句子内容及其数值属性。序列编辑部分设计了三个目标函数：
实验基于Yelp用户评论和打分数据，分为两部分：
腾讯AI Lab与武汉大学、苏州大学合作提出了一种新型神经对话模型，旨在减少通用回复（如“我不知道”、“我也是”）生成的频率。该模型通过引入权重调整损失函数，优化输出序列的多样性和长度，显著降低通用回复的生成频率。
本文基于Seq2Seq模型，通过引入权重调整损失函数，优化输出序列的多样性和长度，从而减少通用回复的生成。实验基于700万高质量的对话句对，保留500个输入作为测试集，聘请3个评测人员对回复的通顺度、相关性等方面进行评测。结果表明，该方法在保持句子通顺度的同时，显著提高了回复的相关性。
通过QuaSe模型和基于统计重加权的对话生成方法，腾讯AI Lab在文本生成研究领域取得了重要进展，为自然语言处理技术的实用应用提供了新的思路。
转载地址：http://gxlj.baihongyu.com/