Aug, 2017

基于神经网络的上下文表示学习用于对话行为分类

PDF
TL;DR本文研究利用神经网络模型中的上下文表征学习方法进行对话行为分类，作者提出并比较了不同方法，包括结合了循环神经网络架构和不同上下文层次的注意力机制，实验结果表明这种方法相较于没有上下文信息的模型具有更为一致的提高并揭示了最适合的注意力机制取决于数据集的性质。
context representation learningneural-based modelsdialog act classificationrecurrent neural networkattention mechanisms
发现论文，激发创造
  • 一个基于语境的对话行为识别方法，使用简单的循环神经网络

    提出了一种上下文敏感的对话行为识别方法，利用基于字符级语言模型的话语表示来学习对话行为分类，并在 Switchboard 对话行为语料库上测试，结果表明考虑先前话语作为当前话语的语境可以改进对话行为识别。

    May, 2018

  • 基于上下文感知自注意力机制的对话行为分类

    本文研究 Dialogue Act 分类，提出了将上下文感知的自注意机制与分层循环神经网络相结合的方法，并在 SwDA Corpus 上证明了其在不同语义表征学习方法下的高精度表现。

    Apr, 2019

  • 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

  • 基于上下文意识的神经网络自动化生成转录文本的对话行为分类

    本文提出了一种新的方法，该方法结合了卷积神经网络（CNN）和条件随机场（CRF），用于自动生成转录文本中的对话行为（DA）分类。结果表明，CNN 和 CRF 相结合的方法能够提高对话行为分类的准确性，同时基于端到端的自动语音识别系统似乎更适合于该任务。

    Feb, 2019

  • 基于分层结构的本地上下文关注在对话行为识别中的应用

    本研究旨在设计一种基于自注意力机制的分层模型，以识别对话行为，并通过修改注意分布来关注局部和上下文语义信息，同时引入新的对话分割机制，分析对话长度和上下文填充长度对模型效果的影响。实验表明，该模型在 Switchboard 对话行为和 DailyDialog 两个数据集上均取得了 80.34% 和 85.81% 的准确率，并且通过可视化注意权重的方式展示了其可以显示地学习话语之间的上下文依赖关系。

    Mar, 2020

  • 基于语句级关注的双向循环神经网络的对话分析

    使用基于注意力机制的双向循环神经网络模型分析先前话语对识别当前话语的影响，研究发现基于上下文学习不仅提高了性能，而且实现了更高的分类置信度。

    May, 2018

  • 对话建模的语义表示

    我们使用抽象意义表示（AMR）来协助神经对话建模，将 AMR 图形构建到对话系统中会更显著地提高对话理解和响应生成任务的效果。

    May, 2021

  • 利用多个记号、片段和上下文信息表征的深层对话行为识别

    本研究旨在通过考虑不同层级的 tokens 和在历史对话中上下文信息的丰富表达，探索生成更加信息丰富的对话结构代表，我们通过组合最佳的方法，在 SwDA 和 MRDA 上取得了超越以往最佳结果，并在 MRDA 上超越了人类的表现水平。

    Jul, 2018

  • 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

  • 对话行为引导的上下文适应器用于个性化语音识别

    本研究提出了一种对话行为引导的上下文适配器网络，改善了多轮对话中自然语言识别的性能，相较于现有技术提高了数量级，具体表现为相对相对单词误差率降低 58%。

    Mar, 2023