Jan, 2016

SimpleDS：一种简单的深度强化学习对话系统

PDF
TL;DR本文介绍了使用深度强化学习训练的简单，公开的对话系统 SimpleDS，该系统直接从上一个系统的原始文本和（嘈杂的）用户响应进行操作选择，避免了手动特征生成，并显示该方法可使智能交互代理的对话控制自动化程度更高。在 restaurant 领域，我们的初步成果表明，引导合理的对话行为是可能的。
simpledsdeep reinforcement learningdialogue systemautomationrestaurant domain
发现论文，激发创造
  • 分布式结构化演员 - 评论家强化学习在通用对话管理中的应用

    本篇论文主要探讨针对特定任务的语音对话系统，重点在于如何通过部分可观察的马尔可夫决策过程来制定对话策略，并以神经网络为函数逼近器的方式，探索深度强化学习算法在对话决策中的应用。

    Sep, 2020

  • 多领域对话系统的深度强化学习

    本文提出了一种用于多域对话政策学习的 NDQN 方法，与传统的 Deep Q-Networks（DQN）相比，实验结果表明其具有更好的可扩展性，有望优化多域对话系统的行为。

    Nov, 2016

  • 使用强化学习进行开放式对话的动态规划

    本研究利用强化学习技术结合最先进的自然语言理解模型创造了一个实时的对话系统，并在使用谷歌智能助手的实验中，使用众包数据进行训练，显著超越了强化模型，证明其对于自然人对话有较高的开放性和可行性。

    Jul, 2022

  • 从弱演示中学习对话策略

    本研究提出一种基于 Deep Q-learning from Demonstrations 的 Reinforced Fine-tune Learning 方法，利用 labeled、reduced-labeled 和 unlabeled data 训练 expert demonstrators，以解决多领域对话系统中 state 和 action 空间较大的问题，并在实验中取得了较高的成功率。

    Apr, 2020

  • 持续学习神经对话管理

    提出了一种基于神经网络框架的分层学习方法，通过监督学习和强化学习相结合，实现了对话管理任务中的有效性以及在高噪声的情况下提高性能。

    Jun, 2016

  • 使用双阶段训练的策略网络用于对话系统

    本文提出使用训练有优势 actor-critic 方法的深度策略网络统计优化对话系统，演示了在深度强化学习下优于高斯过程方法，可以有效地训练部分可观察马尔可夫决策过程的对话系统，有效提高学习速度，所有实验在 DSTC2 餐厅领域数据集上进行。

    Jun, 2016

  • 深度强化学习下的句子简化

    使用编码器 - 解码器模型和深度强化学习框架，自动简化句子并保持其原有意思，实现简单易懂的阅读体验。

    Mar, 2017

  • 深度强化学习下面向对话状态跟踪和管理的端到端学习

    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

  • 基于深度强化学习的战略对话管理

    本研究成功应用深度强化学习 (DRL) 训练具备谈判能力的智能策略代理程序，实验表明该程序与由人工设计的规则、随机等算法相比，获胜率提高至 53%。

    Nov, 2015

  • 提高对话管理：质量数据集对模型的影响

    通过研究 Multiwoz 2.1 和 SGD 数据集中的错误，本文证明了任务导向的对话系统中数据集错误是导致对话管理不达到最佳性能的主要原因，并提出了使用合成对话生成器来控制错误量和类型的方法。

    Oct, 2023