Aug, 2017

一种具有信念跟踪的端到端可训练神经网络任务导向对话模型

PDF
TL;DR本文提出了一种新颖的端到端可训练的神经网络模型，用于处理任务导向的对话系统，该模型将对话状态、API 调用和结构化的知识库查询结果相结合，以成功完成任务导向的对话，并且能够以联合学习为基础，更好地处理对话历史，生成结构良好的系统响应。在餐厅搜索领域的实验结果表明，相比先前的端到端可训练的神经网络模型，我们提出的模型在适当的系统响应生成方面表现更为卓越。
发现论文，激发创造
  • 神经信念跟踪器：基于数据的对话状态跟踪

    提出了一种利用预训练词向量进行表示学习的神经信念追踪（Neural Belief Tracking，NBT）框架，用于估计对话中用户的目标，并可以在不使用手工制作语义词典的情况下达到与最先进的模型相同或更好的效果。

    Jun, 2016

  • 面向任务型对话系统的基于提示的小样本学习方法在信念状态跟踪中的研究

    我们探讨了基于任务导向的对话系统的对话信念状态跟踪（DST）问题。通过以 Prompt 为基础进行少样本学习，我们证明了 Prompt-based 方法在 DST 的 Few-shot 学习中具有潜在的潜力，并提供了未来改进的方向。

    Apr, 2022

  • 基于网络的端到端可训练任务导向式对话系统

    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

  • 完全统计神经信念跟踪

    本文提出了一种优化现有数据驱动的神经信念跟踪（NBT）对话状态跟踪（DST）框架的方法，该方法使用两个不同的统计更新机制替换手工制作的信仰状态更新机制和基于规则的模块，从而实现非常少的额外模型参数的对话动态建模，从而提供了一种用于构建资源轻量级 DST 模型的强大框架。在三种不同语言的 DST 评估中，我们证明了这种模型的竞争性能。

    May, 2018

  • 利用递归神经网络进行多域对话状态跟踪

    该论文研究对话状态跟踪，提出通过跨域对话数据训练一般化信念跟踪模型，使用域外数据初始化跨域信念跟踪模型的训练流程，提高了信念跟踪的性能。

    Jun, 2015

  • 基于深度强化学习的任务导向对话模型端到端优化

    介绍了一种基于神经网络的任务导向对话系统，可以使用深度强化学习进行端到端优化，可跟踪对话状态，与知识库交互，并将查询结果整合到代理人的响应中，以成功完成任务导向对话。

    Nov, 2017

  • 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

  • 面向任务型对话的键值检索网络

    本文介绍了一种使用新的键 - 值检索机制来有效维持基于知识库的多领域对话的神经对话代理，该代理在三个不同任务的对话中都表现良好，并在自动评估和人类评估指标上显著优于竞争规则系统和现有的神经对话体系结构。

    May, 2017

  • 具备 ASR 特性的混合式对话状态跟踪器

    本文提出了一种混合会话状态跟踪器，使用可训练口语理解（SLU）来为插槽填充对话系统增强。在模块化结构中，我们通过可微分规则扩展了一些部分，以允许端到端训练，从而使我们的跟踪器可以更好地进行泛化。在 DSTC2 数据集上进行评估，我们的混合跟踪器在 DSTC2 中的四个类别中有三个类别的性能都优于现有的技术，是当前最好的方法之一。

    Feb, 2017

  • 利用时间表达网络的神经对话状态跟踪

    本文提出了 Temporally Expressive Networks (TEN) 模型以同时模拟对话轮次间的时间特征依赖和状态依赖。利用循环网络和概率图模型，模型对话状态追踪 (DST) 的准确率得到了提升。

    Sep, 2020