标题：Learning to Ask Conversational Questions by Optimizing Levenshtein Distance 作者：Zhongkun Liu, Pengjie Ren, Zhumin Chen, Zhaochun Ren, Maarten de Rijke, Ming Zhou                                    [论文详情] 简介：对话式问题精简旨在通过模拟对话特征，例如指代和省略，将完整的独立问题转化为对话式问题。现有的基于最大似然估计的方法在训练时由于同等优化句子中全部单词而满足于容易学到的单词。在这个工作中，我们引入了一个强化迭代序列编辑(Reinforcement Iterative Sequence Editing, RISE) 框架，用来通过明确的修改动作最小化编辑距离。RISE可以给予对话特性相关的单词额外的关注。为了训练RISE，我们设计了一个迭代强化训练(IRT, Iterative Reinforce Training) 算法，包括一个基于动态规划的采样(DPS, Dynamic Programming based Sampling) 来提升探索过程。实验证明，在两个benchmark的数据集上，RISE显著超过了SOTA模型，并且泛化性更好。