本文介绍一种基于神经网络的端到端可训练的目标导向对话系统,以及一种新的数据收集方法,该方法基于一种新型的管道式 Wizard-of-Oz 框架。该方法可用于开发对话系统,帮助用户在餐厅搜索领域自然地交流并完成任务。
Apr, 2016
本文提出了一种基于个人资料的目标导向对话数据集,结合修改内在神经系统结构、使用多任务学习的方法,将个性化应用于对话系统。
Jun, 2017
本文提出一种个性化的端到端模型,以应用个性化技术来解决对话系统中的一些悬而未决的问题。该模型结合了 “个人资料模型” 和 “偏好模型” 两个子模型,并实践证明其在对话系统任务完成率和用户满意度等方面取得了良好表现。
Nov, 2018
本文介绍了一种基于深度强化学习的方法,使用策略梯度算法来优化基于任务且与视觉相关的对话,该方法在通过 Mechanical Turk 收集的 12 万个对话数据集上进行了测试,并提供了鼓舞人心的结果,可以解决生成自然对话和在复杂图像中发现特定对象的问题。
Mar, 2017
该研究提出了一种可端到端训练的神经目标导向对话系统方法,能通过智能地将对话转移给人工服务代理来处理新用户行为。该方法的三个目标是:最大化用户任务成功率,最小化对人工服务代理的负担,并通过人工代理的反馈进行在线学习,以进一步减轻其负担。实验结果表明所提出的方法能够有效实现这些目标。
Jul, 2019
该研究工作关注基于目标导向的对话系统中的问题,提出了一种使用监督学习和强化学习方法的新方法,并引入了多个有效的下一个话语来评估具有更现实设置的目标导向性对话系统。通过引入多种有效的下一个话语,该文改进了原始 bAbI 对话任务,现有的端到端神经方法的表现从原始 bAbI 对话任务的 81.5% 下降到 permuted-bAbI 对话任务的 30.3%,而其提出的方法则取得了 47.3% 的准确度。
Aug, 2018
本文介绍了一种基于强化学习的新型端到端对话系统学习框架,用于解决模块化任务完成功能对话系统在训练和使用中面临的挑战。研究的实验表明,该端到端系统不仅在客观和主观评估中优于传统的模块化对话系统基线,而且在处理语言理解模块的各种误差时具有稳健性。
本文描述了一种基于元学习的方法,通过选择性地从相关的对话任务数据中学习,使用少量的数据以及来自相关对话任务的数据来训练神经对话系统,从而显著提高了对话任务的准确性。
Oct, 2021
本文使用迁移学习方法改善目标导向聊天机器人的高质量训练数据的不足,以提高其成功率,并展示该方法与其他处理方法的综合应用可取得最佳结果。
Feb, 2018
本文提出了一种使用规划技术处理说明性对话代理的方法,从模型征集到生成的计划的执行,涵盖过程的所有方面,同时介绍了一种全新的计划编码方法、多种规划接口和一个强健的执行者。
Oct, 2019