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
本文提出了一个测试平台,以研究在特定场景下 end-to-end 对话系统的性能,通过实验比较其与手工设计的系统的相似性及差异性。结果表明,end-to-end 系统基于记忆网络能够实现目标,但仍存在缺陷。
May, 2016
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
本文设计了一个目标导向的交互式系统,儿童可以通过诸如 “见面打招呼” 和 “Simon 说” 游戏等一系列交互活动与代理互动。研究人员探索了各种特征提取器和模型,以提高意图识别精度,并借助注意力模型等新颖的方式利用先前的用户和系统互动来进行对话适应,从有限的训练数据中引导学习的模型具有更好的性能。
Dec, 2019
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
通过使用角色扮演方法构建自动数据集策划框架,我们提出了一个大规模的个性化目标导向对话数据集,TopDial,该数据集包含约 18K 个多轮对话,实验结果表明该数据集具有高质量,可用于探索个性化目标导向对话。
Oct, 2023
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
本研究提出了一种基于关键词控制的方法,通过监督学习和话语级别的限制引导自然对话流向指定目标,我们通过创建增强的关键词对话数据集进行定量和人类评估,证明了我们的系统相对于其他方法可以产生有意义且有效的对话。
May, 2019
本文介绍了一个包含 500 万个人物角色和 7 亿个依据人物角色的对话的新数据集,研究表明,使用此数据集训练对话系统,尤其是当基于文本人物角色时,可以提高其表现,并且在 Zhang 等人(2018)的数据上进行微调可以实现最新的成果。
Sep, 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