Mem2Seq在DSTC2拥有最高75.3％的Entity F1得分和55.3 BLEU得分
https://github.com/HLTCHKUST/Mem2Seq
Mem2Seq: Effectively Incorporating Knowledge Bases into End-to-End Task-Oriented Dialog Systems (ACL 2018).
论文
Mem2Seq有效结合KB与端到端任务型对话系统
针对RNN存在长时间遗忘的问题，基于MemNN,本文提出了Mem2Seq模型
当前较为流行的端到端任务型对话系统
主要贡献：
1）Mem2Seq是第一个将多跳注意力机制与指针网络结合起来的模型，并允许我们有效地结合知识库信息。
2）Mem2Seq学习了如何动态生成查询去控制Memory的访问，可以可视化memory控制器和attention的跳跃之间的模型动态。
3）Mem2Seq可以更快地进行训练，并在几个任务型对话数据集中实现最先进的结果。
原文的创新点：
- Mem2Seq是第一个使用带有指针网络思想的多跳注意力机制的模型，这种方法有效的结合了KB的信息。
- Mem2Seq学习如何生成动态的查询来控制memory的访问。
代码
本仓库实现：
- Mem2Seq: Memory to Sequence (Our model)
- Seq2Seq: Vanilla seq2seq model with no attention (enc_vanilla)
- +Attn: Luong attention attention model
- Ptr-Unk: combination between Bahdanau attention and Pointer Networks (Point to UNK words)