在基于提示的对话生成中，实验数据和您的论文相差很多，希望作者可以给出建议

[LLLLLearn]

作者您好，非常感谢您上次的回复，您的回复对我有很大地帮助。在复现您的实验过程中，对于上次您给我的建议，我已经正确的生成了对话路径（路径生成的实验数据如下图1），但是针对于基于提示的对话生成，我在IN数据集上进行了实验，实验结果和您的论文还是相差很多（数据如下图2）。对于我的这个问题，麻烦请教您是什么原因，希望您可以给出一些建议！
图1

图2

[iwangjian]

不好意思，最近比较忙，没法及时回复。想问一下对于prompt-based generation, 你有先进行训练再进行生成么？如果也有训练，可能的原因是训练不充分，导致GPT-2没法很好地根据plan path指导对话的生成。

[LLLLLearn]

作者您好。非常感谢收到您的回复。对于prompt-based generation，我严格按照readme文件中的训练语句训练GPT-2模型。对于您给出的训练不充分这个原因，我可以理解为增加GPT-2的训练轮数吗？还是说修改其他的训练参数呢？

[iwangjian]

你好，建议是增加训练轮数。

[LLLLLearn]

作者您好，在对话生成阶段，我对于您公布的代码中top_k和top_p参数（如下图）存在疑惑。通过阅读您公布的代码，top_k作用是保留概率最高的前 k 个 token，top_p作用是保留一组候选 token S，其中S是最小子集。您的代码将这两个参数赋值为0，那么在generata函数中，top_filtering这个函数将不会被调用。想请问作者在实验的过程中，这两个参数值设置成多少合适呢？


另外，我选取了一些论文中的参数，并给出了我在训练过程中的参数值（在下图中用红框标出），想请问作者那些参数对实验的影响比较大（和您的论文数据相差比较多）

[iwangjian]

您好，我们的代码中保留了top-k、top-p decoding的方式。为了方便不同模型的对比，我们最后采用的greedy decoding（如论文中所述），即top_k和top_p参数均设为默认值0。由于所有实验是在两年前完成的，经过代码整理后，原始版本的代码没有保留下来，但图中标出的参数大部分即为论文中的参数设置，所以对实验结果影响不大。在比对论文后，建议你把num_epochs设为10。

[LLLLLearn]

好的，非常感谢您的回复。祝您生活愉快，科研顺利！