Sep, 2017

基于说话者角色的上下文建模用于语言理解和对话策略学习

PDF
TL;DR本文提出了一种基于角色的情境模型，通过考虑多轮对话中不同的发言者角色独立地使用其不同的语言模式，成功学习了角色特定的行为模式，并在语言理解和对话策略学习任务上显著提高了性能。
conversational systemsdialogue policy learningmulti-turn dialoguesrole-based contextual modellanguage understanding
发现论文，激发创造
  • 将口语理解任务与集成对话历史联合建模

    该研究旨在构建一种新型的自动预测语音理解系统，该系统利用历史对话信息预测口语意图、对话行为、说话人角色和情感等四种属性，并采用自回归模型和无序训练方法，以应对不同 SLU 任务的高效率和低延迟问题。实验证明，该系统与任务特定的分类器相当，并可有效整合对话环境以进一步提高 SLU 性能。

    May, 2023

  • 利用大规模语言模型构建具有角色指定的开放域对话系统

    本研究旨在解决将角色赋予开放领域对话系统的问题，并提出了一个高效的数据收集框架，借助大规模语言模型的上下文少样本学习来构建满足角色约束的对话数据集。在此基础上，通过比较不同架构的开放领域对话系统，在保持其会话能力的同时满足角色约束。研究结果消息表明，我们的模型返回少量越界言论，在一般指标上保持竞争力。

    Apr, 2022

  • 面向口语理解的序列对话上下文建模

    本文提出了一种新的基于递归神经网络（RNN）的序列化对话编码器网络，并将其与传统的语言理解系统和记忆网络进行了比较，实验证明该网络可以减少语义框架错误率。

    May, 2017

  • 动态时间感知的发言者角色和上下文关注在口语理解中的应用

    该论文提出了一种基于注意力机制的网络，利用上下文和说话人角色进行时态信息的学习和自适应特征提取，从而显著提高了口语理解的性能。

    Sep, 2017

  • 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

  • 语义角色标注引导下的多轮对话重述

    该研究提出使用语义角色标注为多轮对话改写提供指导，达到更好的性能，实验证明这可明显提高 RoBERTa 模型性能。

    Oct, 2020

  • 使用大型语言模型进行角色扮演

    本文探讨了将人类特质投射于对话代理的问题，并详细介绍了将角色扮演的概念应用于自然语言处理中的方法，从而更好地描述对话代理的行为，以期实现更加真实自然的对话交互。

    May, 2023

  • 基于 LSTM 的对话模型

    本文介绍了一种对话模型，该模型将参与者角色和上下文信息都纳入了长短时记忆（LSTM）语言模型中，可以作为语言模型或语言生成模型，实验表明该模型在 Ubuntu Dialog Corpus 上的表现优于传统的 LSTM 模型，而且生成的回复还显示出两种参与者角色之间特征上的不同。

    Mar, 2016

  • 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

  • 自然语言理解和对话管理的端到端联合学习

    本文介绍了一种使用深度循环神经网络及其逐步训练实现的自然语言理解和系统动作预测联合模型，在多领域人机对话中验证了该模型的性能显著优于现有模型。

    Dec, 2016