利用递归神经网络进行多域对话状态跟踪
本研究介绍了一种新颖的方法,该方法利用对话中的语义相似性和本体术语来跨领域地进行语音信仰跟踪,从而实现对多领域语音的处理,并在性能上优于现有的单领域跟踪任务的最先进模型。
Jul, 2018
本文提出了一种新颖的端到端可训练的神经网络模型,用于处理任务导向的对话系统,该模型将对话状态、API 调用和结构化的知识库查询结果相结合,以成功完成任务导向的对话,并且能够以联合学习为基础,更好地处理对话历史,生成结构良好的系统响应。在餐厅搜索领域的实验结果表明,相比先前的端到端可训练的神经网络模型,我们提出的模型在适当的系统响应生成方面表现更为卓越。
Aug, 2017
本研究提供了一种训练多领域、基于递归神经网络的语言生成器的程序,包含了多个适应步骤,并利用伪造数据和领域内句子的优化目标函数,旨在在新的、看不见的领域内显著减少培训的数据需求,其语料库评估结果和主观测试都表示该程序可以在保证 BLEU 分数和槽误差率竞争力的同时大幅提高语言生成器性能。
Mar, 2016
提出了一种利用预训练词向量进行表示学习的神经信念追踪(Neural Belief Tracking,NBT)框架,用于估计对话中用户的目标,并可以在不使用手工制作语义词典的情况下达到与最先进的模型相同或更好的效果。
Jun, 2016
本研究通过利用注意力机制为基础的神经网络,将对话状态跟踪任务转化为阅读理解问答,利用上下文意义理解对话中不同语境中槽位词语的指代,通过利用上下文单词嵌入的最新进展,并将方法与传统的联合状态跟踪方法相结合,得到了比当前最新技术提高 11.75% 的检测精度。
Aug, 2019
该论文提出了一个基于 Deep Recurrent Q-Networks 变体的端到端对话系统框架,使用强化学习与监督学习的混合算法,在 20 Questions 游戏模拟器上的实验结果表明,该模型优于基线模型,并学习了潜在对话状态的分布式表示。
Jun, 2016
本文介绍 DOM-Seq2Seq,一种基于领域目标序列到序列模型和领域分类器的领域感知神经网络模型,用于生成具备智能响应的域感知对话系统,并通过对比 Seq2Seq 模型的性能指标进行评估。
Aug, 2017
本文介绍了一种基于深度学习的可伸缩的多领域对话状态跟踪方法,通过引入一个新的状态跟踪框架,该框架独立于具体的槽值集合,并将对话状态表示为候选值集合的分布,此方法能够快速适应新领域,提高跨领域和可扩展性。
Dec, 2017
本研究提出一种新的 Goal-oriented dialogue systems 框架,其中的 dialogue state tracker 可适用于 multiple domains,且不需要特定领域的先验知识,预训练的词嵌入技术有助于提高性能。
Nov, 2018