ACL 2019
任务：
在开放域上自然地聊天，并主动将对话引导到预先设定好的目标话题上
方法：
将整个系统解耦成独立的模块，在不同粒度上分别解决这些挑战。
要求：
transition smoothness 转换流畅，引导过程切合当前对话上下文
target achievement 达成目标
a turn-level keyword transition predictor (section 4.1)
用于预测下一句回复的关键词，获得其分布
这一部分主要用于生成流畅的对话，而不考虑引导对话主题
文章使用了三种方法:
- Parawise PMI-based Transition 点互信息
- 基于神经网络预测
- 基于核的混合方法
第三种效果最佳
- a discourse-level target-guiding strategy (section 4.2)
用于完成主动将对话主题引导到目标的任务。即选择下一句生成回复的主题
要求：
- 相关度更高
- 离目标更近
使用基于规则的方法
关键在于the augmentation of interpretable coarse-grained keywords 粗粒度关键词的可解释性的提升
- Keyword-augmented response retriever (section 4.3).
目标：基于对话历史和预测关键词生成回复
使用检索式方法
用RNN编码输入对话历史和关键词，以及从数据库中得到的候选回复，然后计算候选特征与历史特征、候选特征与关键词特征(feature)之间的element-wise乘积。拼接得到的两个向量，输入到带sigmoid单个单元(single-unit)的全连接层来获取候选回复的匹配概率值
数据集
实验
总结
tbc.
