Mar, 2017

基于强化学习的对话系统中语言理解影响的研究

PDF
TL;DR本文研究了语言理解模块如何影响基于强化学习的任务导向的神经对话系统的性能，结果发现词槽错误对对话系统的整体表现影响较大，实验也说明该对话系统可以通过强化学习学习确认何时以及何种方式实现更好的性能和更高的鲁棒性。
language understandingdialogue systemneuralreinforcement learningslot-level errors
发现论文，激发创造
  • 面向任务对话的语言理解鲁棒性测试

    本研究针对自然语言理解模型在实际对话系统的应用中容易出现的波动和变化问题，提出了一种模型无关的工具箱 LAUG，涵盖语言变体，语音特性和噪声扰动三个方面的四种数据增强方法，揭示了现有模型中的严重鲁棒性问题，提供了一种使用 LAUG 生成的增强数据集来促进语言理解测试鲁棒性的方法。

    Dec, 2020

  • 会话式人工智能的口语理解：近期进展和未来方向

    该论文讨论了使用深度学习技术进行自然语言理解的联合任务，包括意图检测和槽填充，介绍了 Spoken Language Understanding/Natural Language Understanding（SLU/NLU）技术和用于解决该问题的最新自然语言处理和深度学习技术，以及如何提高性能的一些方法。

    Dec, 2022

  • 基于对话的语言学习

    研究人员在机器学习和自然语言理解方面的不懈探索中探讨了基于对话的语言学习，发现预测前瞻是一种有前途的学习策略，并表明它可以在没有奖励监督的情况下正确地回答问题。

    Apr, 2016

  • 基于自然语言启发的强化学习综述

    提出了将自然语言理解与强化学习紧密结合的想法，并对现有技术及未来研究方向进行了调研。

    Jun, 2019

  • 走向基础模型统一的智能体

    通过在强化学习代理中嵌入和利用语言模型和视觉语言模型的能力，我们设计了一个框架，将语言作为核心推理工具，能够处理一系列强化学习挑战，如有效的探索、重用经验数据、调度技能以及从观察中学习，从而改进了在模拟的机器人操作环境中的性能，并展示了如何利用学到的技能解决新任务或模仿人类专家视频。

    Jul, 2023

  • 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

  • 一种以强化学习为驱动的面向搜索型对话系统的翻译模型

    本研究提出了一种基于强化学习的翻译模型框架，该模型以关键字为基础，能够理解使用自然语言表示的信息需求，并通过注入相关反馈，采用单词选择方法来克服缺乏大规模数据集的问题。实验表明，该方法在两个 TREC 数据集上的有效性得到了证明。

    Aug, 2018

  • 基于说话者角色的上下文建模用于语言理解和对话策略学习

    本文提出了一种基于角色的情境模型，通过考虑多轮对话中不同的发言者角色独立地使用其不同的语言模式，成功学习了角色特定的行为模式，并在语言理解和对话策略学习任务上显著提高了性能。

    Sep, 2017

  • 将机器语言模型推广至人类水平的语言理解

    语言是理解和交流情境的关键，而语言处理系统使用类似人脑的神经网络以及查询注意力等方法来提高其能力，但当前的模型主要集中在内部语言任务上，限制其理解情境的能力，因此需要未来的模型应用认知神经科学和人工智能来扩展理解任务。

    Dec, 2019

  • 基于源批判的强化学习，用于将口语语言理解迁移到新语言

    本研究旨在通过使用特定领域的平行语料库进行语言转移，利用增强学习方法进一步微调翻译器，从而在中英语言转移方面取得显著的成功，提高了相对于传统方法的领域分类准确率 22%，槽提取 F1 得分 71% 以上。

    Aug, 2018