智能助理中再制定的预测原因
研究了信息检索中用户意图识别的两个方面,提取基于内容,结构和情感特征的特征,利用经典机器学习方法执行用户意图预测,使用特征重要性分析确定了结构特征对预测的贡献最大,并构建了神经分类器以提高性能。
Jan, 2019
该论文对经典规划的重组技术的大量研究进行了系统综述,旨在提供该领域的整体视图,并促进未来的研究。作为一个有形的结果,我们提供了现有技术分类的定性比较,这可以帮助研究人员获得它们的优点和缺点的概述。
Jan, 2023
通过分析与 Google 助手和 Siri 的互动,本研究探讨了对话修复中互动语言在虚拟助手和用户之间的重要性,并发现虚拟助手在生成策略方面存在差异,但不能复制人类的修复策略。用户接受度调查显示英语和西班牙语用户在修复策略偏好和虚拟助手使用上存在不同。这些结果揭示了人类间互动语言与人机交互之间的不平等问题,强调了需要进一步研究交互语言在英语和其他语言中对人机交互的影响。
Nov, 2023
本研究提出了一种基于强化学习的模型 CONQUER,能从包含噪声的问题改写中学习如何回答自然语言问题,并在新提出的基准测试集 ConvRef 上展示了显著的性能提升。
May, 2021
本研究旨在提高个人助理系统中的回答质量,通过分析用户意图模式,提出了一种基于 Transformer 架构的意图感知自注意力模型(IART),结合了用户意图建模和语言表示学习,并在三个数据集上进行了实验,结果表明该模型优于基准方法。
Feb, 2020
该文章分析了一个被训练使用强化学习的代理程序学到的语言,作为 ActiveQA 系统的组成部分。在这个系统中,问题回答被框架化为一项强化学习任务,代理学习重构用户问题以引出最佳答案。研究发现,代理程序并没有学习与语义相关的转换,而是通过学习传统的信息检索技术(如 tf-idf 重新加权和词干化)来适应回答系统的语言。
Jan, 2018
本文介绍了一种称为 Active Question Answering 的基于强化学习的问题回答方法,通过探究黑盒 QA 系统并最大化回答质量来重新构筑问题,该方法在 Jeopardy! 等复杂问题数据集上表现出比其他基准模型更好的性能,并发现了与信息检索技术类似的策略。
May, 2017