为什么baseline模型训练过程中，需要预测每一次的utterance?而不仅仅预测客服的回答

[ChenYutongTHU]

你好！ 感谢提供baseline model 官网中对于问题的描述是这样的 输入（上下文信息，用户问题）：此轮对话用户提出的问题Qn，其中Qn可能为纯文本、纯图片的问题或图文相结合的问题；此轮对话前n-1轮的对话历史信息，C={Q0, A0, Q1, A1, …, Qn-1, An-1}，历史对话信息也可能为多模态形式。 输出（文本预测答案）：根据输入信息，输出满足第n轮用户问题Qn所期望的答案，该答案应该是通顺、逻辑一致且含有丰富知识的文本回答。 我在阅读代码时发现 input_conversations = [conv[:-1] for conv in conversations] target_conversations = [conv[1:] for conv in conversations] 即，baseline model在train、evaluate以及test过程中，不仅需要根据{Q0, A0, Q1, A1, …, Qn-1, An-1,Qn}预测An, 还需要分别根据{Q0}预测A0，根据{Q0，A0}预测Q1，根据{Q0,A0,Q1}预测A1,...,根据{Q0,A0,...,Qn-1,An-1}预测Qn？

这与paper中的描述似乎不太一样？ 并且模型在训练过程中还需要预测客户问题，不太清楚这是否合理

[nanzhao]

您所引述的代码这里，相关的对话数据已经经过预处理了，所以您描述的代码逻辑与实际代码运行结果是不一样的。您可以结合预处理代码逻辑，分析此处代码逻辑。

[daniellibin]

你好，BAAI-JDAI-BERT, Chinese模型可以分享一下吗，原链接不能下载了，谢谢