一. 任务形式化
这个赛道的目标是设立基于知识图谱的主动聊天任务。知识驱动对话-官网地址
输入:
对话目标g，其中g=START->TOPIC_A->TOPIC_B;表示机器从冷启动状态主动聊到话题A，然后聊到话题B。意味着在该任务中，由机器主动的引导对话；在该任务中，具体的话题包括电影和娱乐人物主体。
相关知识信息M，其中M=f1,f2,...,fn. 包括三类，分别是：话题A的知识信息，话题B的知识信息，话题A和话题B的关联信息。在该任务中，具体的相关知识信息包括电影票房，导演和评价等，以SPO形式表示。也就是(Subject, Predicate, Object)，即(实体一，谓词，实体二)。
当前对话序列H=u1,u2,...u(t-1)
输出：
机器回复ut.
二.数据介绍(见官方网站)
三.评价方法
自动评估指标和人工评估指标结合。自动评估指标考虑三个层面的度量，分别是字级别(F1-score)，词级别(BLEU)和回复多样性(DISTINCT)。关于回复多样性，还是基于词的计算，不过考察的是生成词的另外一个维度。在参考2中作者这样写道：
distinct-1 and distinct-2 are respectively the number of distinct unigrams and bigrams divided by total number of generated words
四.一般流程
参考PyTorch官方提供的tutorial(见参考4)，从seq2seq的角度解决问题的方法是，将多轮对话拆分成平行句。例如，针对当前对话序列H=u1,u2,...u(t-1)，可以拆分成t-2组样本，分别是：u1->u2;u2->u3;...;u(t-2)->u(t-1);但是，这样的划分方式存在明显的问题是：句子之间的平滑。这应该是一个问题，但是还没有深入思考过。
五.想法实现
目前，重构了PyTorch官方的Chatbot的Tutorial代码，将各个模块解耦出来，顺带发现了一个Bug。在此基础上，准备实现一个baseline，代码地址
实现思路上，主要参考论文《A Knowledge-Grounded Neural Conversation Model》,包括两个主要部分：
第一：如何将知识图谱的信息嵌入到模型中；
第二: memory机制的实现；
补充：
IJCAI16的文章《Neural Generative Question Answering》的3.2节提出了两种方式用于输入和KG的交互：
第一: Bilinear Model
第二: CNN-based Matching Model
参考：
0.www2018,《DKN: Deep Knowledge-Aware Network for News Recommendation》
1.第六届全国社会媒体处理大会-SMP2017中文人机对话技术评测(ECDT)
包含两个任务：用户意图领域分类和特定域任务型人机对话在线评测
2.《A Diversity-Promoting Objective Function for Neural Conversation Models》
3.《A Persona-Based Neural Conversation Model》