Aug, 2015

基于循环神经网络与卷积句子重排的对话随机语言生成

PDF
TL;DR本文提出基于联合循环卷积神经网络结构的统计语言生成器，可以在不需要语义对齐或预定义语法树的情况下，训练对话行为 - 话语对。客观指标表明，在相同的实验条件下，这种新模型优于以前的方法。人类评委的评估结果表明，它产生的不仅是高质量而且是语言上多变的话语，而且与 n-gram 和基于规则的系统相比受到更多的青睐。
natural language generationspoken dialogue systemrecurrent neural networkconvolutional neural networkdialogue act-utterance pairs
发现论文，激发创造
  • 用基于条件语义的 LSTM 自然语言生成技术用于口语对话系统

    本研究提出了一种基于语义控制 LSTM 结构的统计自然语言生成器，通过交叉熵训练标准优化句子规划和语言表现，可轻松实现语言变化，并通过两个不同测试域的客观评价和人工评分表明该方法相对于先前方法具有更好的性能和自然度。

    Aug, 2015

  • 基于语义精炼 GRU 的神经语言生成技术在口语对话系统中的应用

    本文提出了一种基于循环神经网络 (RNN) 的自然语言生成 (NLG) 新方法，其中在 RNN 计算之前应用了门控机制，以使得该模型能够生成适当的句子，并可通过共同训练句子规划和表面实现以生成自然语言响应。实验结果表明，该生成器在所有 NLG 领域中均表现出更好的性能。

    Jun, 2017

  • 使用 RNN 编码器 - 解码器网络进行口语对话系统的自然语言生成

    本文介绍了一种基于循环神经网络的编码器 - 解码器结构，其中引入了一个基于 LSTM 的解码器来选择、聚合输入元素上产生的语义元素，并生成所需的话语，该提议的生成器可以联合训练句子规划和表面实现以生成自然语言句子，实验结果表明，所提出的生成器不仅在所有自然语言生成领域中一致优于先前的方法，而且还具有从新领域进行泛化和从多领域数据集中学习的能力。

    Jun, 2017

  • 跨领域变分自然语言生成在口语对话系统中的应用

    本文提出了一种基于条件变分自编码器 (CVAE) 的 RNN 的跨领域自然语言生成方法，实现了高度多样性的句子生成，并在数据有限的情况下展现了更好的性能。

    Dec, 2018

  • 多领域神经网络语言生成器用于口语对话系统

    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

  • 基于强化学习的不确定性下自然语言生成规划

    本研究提出了一种新的基于统计规划的自然语言生成模型，它能够在存在噪声反馈的情况下（例如用户和实现器的当前生成上下文），有效地解决常见的自然语言生成问题，包括信息展示、语句长度和信息传递量等方面的折衷问题。我们采用强化学习方法训练该模型，并将其性能与先前工作中的基准性能进行了比较，结果表明，该模型的性能明显优于所有基线模型。

    Jun, 2016

  • 基于神经网络的语言生成：使用基于 RNN 编码器 - 解码器与语义聚合技术进行对话

    本文提出了一种基于编码 - 汇聚 - 解码的深度学习模型，其中语义汇聚器是由 Aligner 和 Refiner 两个组件组成的注意力机制，用于选择和聚合语义元素，实现自然语言生成，实验证明该模型在四个不同的自然语言生成领域中性能均优于之前的方法。

    Jun, 2017

  • 多分辨率循环神经网络：对话响应生成的应用

    提出了多分辨率循环神经网络模型，通过两个离散随机过程模拟自然语言生成的高级语义和自然语言输出，该模型在 Ubuntu 技术支持领域和 Twitter 对话任务上表现出了较高性能，即通过最大化联合对数似然优化模型的参数以提高高级语义抽象并克服自然语言的稀疏性。

    Jun, 2016

  • 基于循环神经网络的上下文感知自然语言生成

    本文研究了利用连续的语义表征通过递归神经网络生成特定情境下的自然语言的方法，提出了两种新方法，其中包含了注意力机制以解决因长序列引起的长程依赖问题，并在用户评论数据上进行了实验，展示了该方法生成的虚假评论非常自然，并且大部分能够躲过现有的虚假评论检测算法。

    Nov, 2016

  • 基于神经网络的上下文敏感式对话回复生成方法

    本篇论文介绍了一种新颖的响应生成系统，它可以在大量非结构化的 Twitter 会话上进行端到端的训练。该系统使用神经网络架构来解决在将上下文信息集成到经典统计模型中出现的稀疏性问题，从而允许系统考虑以前的对话话语。我们的动态上下文生成模型相对于基于上下文和非上下文敏感的机器翻译和信息检索基准具有一致的提高。

    Jun, 2015