AAAISep, 2017

使用说话人交互的 RNN 进行多方会话的受信人和响应选择

PDF
TL;DR本文研究多方对话中的信息交流和应答选择问题，通过引入基于角色感知的 Speaker Interaction Recurrent Neural Network (SI-RNN) 模型，综合考虑对话参与者的角色交互并将应答选择视为序列预测问题，显著提高了在复杂多人对话情境下的准确度。
multi-party conversationsspeaker interactionrecurrent neural networksequence predictionaddressee selection
发现论文，激发创造
  • 多语言对话的收信人和响应选择

    本研究介绍了多语言收件人和回复选择的概念，着重研究如何利用高资源语言数据来补偿低资源语言数据，并提出了几种用于对话系统的知识转移方法。我们创建了一个新的多语言对话数据集，通过数据集上的实验证明了我们方法的有效性。

    Aug, 2018

  • SI-LSTM: 会话中情感识别的说话人混合长短期记忆和跨模态注意力

    本研究提出了一种名为 “讲话者信息增强的长短时记忆（SI-LSTM）” 的递归结构，用于情感识别，可以在追踪对话中不同讲话者的情感状态的同时，通过交叉模态注意力机制将不同模态之间的信息结合起来，提高多模态数据情感识别任务的学习效果。在两个基准数据集上进行的实验结果表明，所提出的 SI-LSTM 模型在情感识别任务上具有优越的性能表现。

    May, 2023

  • 基于角色的神经对话模型

    本文介绍了基于人物角色的模型来处理神经响应生成中的发言人的一致性问题。这些模型在分布式嵌入中编码人物角色，以捕捉个体特征，如背景信息和口语风格。在两个交流者之间捕捉交互属性的暂态发言人 - 被称呼者模型。我们的模型提高了感性和 BLEU 得分，在发言人的一致性上也有类似的提高。

    Mar, 2016

  • DialogueRNN：一种用于对话情绪检测的注意力循环神经网络

    使用循环神经网络跟踪对话中每个当事人的状态信息以进行情感分类，从而优于两个不同数据集上的现有技术。

    Nov, 2018

  • 神经会话模型中的说话者角色自适应多任务学习

    本文提出了一种使用多任务学习方法训练神经会话模型的方式来解决根据具体发言人训练缺乏数据、建立基于角色的会话代理的问题。实验证明该方法显著提高了基线模型的质量，生成更准确地捕捉发言者特征和讲话风格的响应，并且该方法算法简单易实现，不依赖于代表特定个体发言者的大量数据。

    Oct, 2017

  • 赋予社交机器人地址估计技能的深度学习模型

    利用混合深度学习模型和非语言身体线索，解决了社交机器人中的对话对象估计问题。

    Aug, 2023

  • 多方响应生成与关系解缠

    该研究提出了一种通过对话上下文进行关系推理来指导神经响应生成的方法，并在多方对话中展示出优于基线模型的效果。

    Mar, 2024

  • 用辅助说话人识别的多任务学习进行对话情感识别

    本文探讨了会话情感识别 (CER) 的问题，考虑到说话人的信息对于识别情感的影响，提出利用说话人鉴别任务 (SI) 辅助提升对话中话语的表示。实验结果表明，该方法能够有效提高 CER 的性能，达到了两个基准数据集的最优结果。

    Mar, 2020

  • 融入领域知识改进多轮对话系统中的回应选择

    本文提出了一种新颖的神经网络架构，用于多轮对话场景下的响应选择，它应用了上下文级别的注意力和领域特定单词描述提供的额外外部知识。该架构使用双向门控循环单元进行编码，并学习在给定潜在响应表示的上下文单词之间进行关注，同时还使用另一个 GRU 来编码领域关键词描述，从而提高了相应中领域特定关键词的表示，实验结果表明，相对于所有其他最先进的方法，我们的模型在多轮对话中具有更好的响应选择性能。

    Sep, 2018

  • 使用动态主题跟踪的多方对话响应选择

    这项研究通过动态主题跟踪任务将回复选择作为一种新的表述方法，并提出了一种支持高效编码的新型多任务学习框架，并且通过预训练模型，仅使用两次讲话来进行动态主题分离和回复选择。同时，还提出了 Topic-BERT 的关键预训练步骤来嵌入主题信息，并在 DSTC-8 Ubuntu IRC 数据集上获得了表现出色的结果。

    Oct, 2020