摘要：
簡單來說，就是實作了對話生成的zero shot(零次學習)。首先在一些source domain當中學習一些domain的基本描述，希望學到的這些基本描述能夠用于target domain的對話生成，其中source domain的領域和target domain完全不一樣。但是屬性是共同的。
主要工作：
1.提出來一種新的抽取domain 屬性和描述的方法：seed responses as domain descriptions,就是說從source domain的對話中選一些回答的句子，這些句子要盡可能的不同且帶有該domain的特色。且這些句子需要被标注，包括dialog act（對話動作）和slot(槽值)。是以這些句子+句子對應标注稱為：SRs，也就是種子回答，作者希望在這些回答當中，蘊含中包含target domain回答的資訊。
2.提出了一個action matching 機制，目标在于學到兩個東西：a.學到一個在source domain和target domain都适用的cross-domain的分布F。b.學到如何将target domain的SRs融合到已經學到的F中，生成新的适合于target domain的對話。
3.做了一個适用于zero-shot dialogue的資料集，其中包含各個領域的SRs。
模型：
SRs機制其實已經比較清楚了，主要介紹一下他的核心機制：Action Matching Encoder-Decoder
上面已經介紹了，AM需要實作兩個功能，下面是這兩個功能的具體實作圖，看圖說話。
右圖主要是對句子級别的抽取。在這裡作者主要做了如下幾件事情。x表示目前對話句子，a表示抽出來的标注
1.首先，在每個句子和每個句子的标注之前顯示加了domain，說這樣效果會變好？（玄學）
2.然後把句子和句子标注全部encoder
3.用一個RNN+attn來生成，此外還融合了copynet機制，看圖中有一個copy的機率。這個copy機制是怎麼樣使用的呢，他主要用來從前面的context中看哪些詞可以copy，就是lstm+attn從目前詞表中有一個機率，然後對之前的對話context有一個機率，将這兩個機率加起來看最後哪一個詞的機率最大。
左圖主要是對前面對話曆史的資訊抽取，其主要操作步驟是一樣的。那作者是如何實作兩個功能的呢，主要在于他的loss函數。
前一個是句子級别抽取資訊時候的loss，後一個是對話曆史的loss。每個loss都由兩項組成。
對于第一個loss而言，第一部分，實作的是一個在給出标注情況下，求目前語句的X的機率，第二部分，是指生成一句話之後，這句話的标注和原來對話的标注之間的差别。這實際上就是實作的第二個功能（使得目前生成的話語融合target domain的标注）。
對于第二個loss而言，主要是在對話曆史的影響下求分布F，使得F變得各個領域通用。
一句話總結：
本文主要介紹了一個SRs抽取domain資訊的機制，以及AMencoder-decoder機制來生成通用屬性以及融合domain屬性到生成當中，實作了zero-shot dialogu的極好效果，且是第一篇end-to-end的zero-shot dialogue 論文，可以說開了zero-shot dialog generat 的先河。
論文網址：https://arxiv.org/abs/1805.04803?context=cs