Feb, 2017

混合编码网络：具备监督和强化学习的实用高效端到端对话控制

HTML
PDF
TL;DRHybrid Code Networks (HCNs) combine recurrent neural networks (RNNs) with domain-specific knowledge, reducing the training data needed for dialog systems while retaining the benefit of inferring a latent representation of dialog state.
发现论文，激发创造
  • 基于端到端LSTM的对话控制优化-监督学习与强化学习

    该论文提出了一种用于端到端学习任务导向型对话系统的模型，主要组成部分是一种递归神经网络(LSTM)，该网络将原始对话直接映射到系统动作的概率分布中，并且可以使用有目的、强化两种不同方式的优化方法。

    Jun, 2016

  • 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

  • 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

  • 利用循环神经网络的对话上下文语言模型

    本文提出了一种将对话级别的语篇信息融入语言模型中的上下文语言模型，该模型在Switchboard Dialog Act Corpus上表现出比传统单轮RNN语言模型更好的性能。

    Jan, 2017

  • 应用循环神经网络编码词汇混淆网络以进行对话状态跟踪

    本文介绍了一种用循环神经网络对单词混淆网络进行编码的新方法，该方法可以代表自动语音识别系统的丰富假设空间，在口语系统的对话状态跟踪任务中，编码混淆网络优于编码自动语音识别的最佳假设。

    Jul, 2017

  • 端到端可训练任务导向神经对话模型中的迭代策略学习

    本文提出一种采用深度强化学习框架实现的迭代式对话策略优化方法，解决了当前学习对话策略的主流方法之一 - 与用户模拟器进行对话时模拟器可靠性低的难题，同时也极大地提高了任务成功率与任务奖励值。此方法可以广泛应用于端到端任务导向型对话系统中，其关键在于通过深度RL来同时优化对话代理和用户模拟器的对话策略，并且对话代理和用户模拟器均建立在端到端的神经网络模型上。

    Sep, 2017

  • 使用多个答案学习端到端面向目标的对话

    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

  • 面向对话的结构化融合网络

    本文提出了使用结构化融合网络将显式对话结构加入神经对话系统的若干方法，该方法在MultiWOZ数据集上表现稳定并具有更好的域通用性、在数据减少的情况下性能更好，并且具有强大的强化学习能力。

    Jul, 2019

  • 多层门控循环神经网络用于对话行为分类

    本文利用多层门控循环神经网络（GRNN）结合非文本信息预测对话行为标签，相较以往方法有显著提高，可应用于自动问答系统中。

    Oct, 2019

  • CINS: 任务导向对话系统中的Few-shot学习综合指南

    本文提出Comprehensive Instruction (CINS) 方法，利用预训练语言模型(PLMs)的额外任务特定指令，用序列到序列模型(T5)解决ToD中的三个任务，并在少量验证数据的现实少样本学习场景中进行了实验。实证结果表明，相比于使用原始输入或短提示调整PLMs的技术，该方法不断改进，并显著提高了ToD任务的性能。

    Sep, 2021