ICMLOct, 2017

基于话语和上下文嵌入的检索式对话系统

PDF
TL;DR本文利用局部敏感哈希树 LSH Forest 实现了基于向量表示的答案检索，并探讨了使用候选项选择方法时，这种方法的优越性。在 Ubuntu 语料库和荷兰的客户服务聊天数据集上进行的实验结果表明，检索式方法优于生成式方法，并揭示了未来研究方向。
dialogue systemsvector representationanswer retrievallsh forestretrieval-based approaches
发现论文，激发创造
  • 利用潜在知识和对话上下文实现真实世界会话问答

    该论文提出了一种基于神经检索 - 阅读 (Retrieval-Reading) 系统和基于 TFIDF 的文本摘要技术来利用先前的谈话历史中的潜在知识的方法，以便更好地回答问题，并且实验证明该系统显著提高了回答质量。

    Dec, 2022

  • 从自然出现的商业对话中提取相似问题

    我们使用经过适当调整的表示方法和少量示例来对商业用户感兴趣的问题进行分组，并制作可用于数据探索或员工培训的可视化。

    Jun, 2022

  • 面向交谈式搜索的上下文化查询嵌入

    本文以学习到的密集表示为基础，描述了一种紧凑而有效的模型，用于对话搜索中的低延迟段落检索。 通过将对话查询重构直接整合到密集检索模型中，我们提出了一种新方法来解决现有流程的问题。 在构建具有伪相关性标签的数据集的基础上，证明了该模型可用于会话检索和开放域问答数据集，最后通过改进的检索模型学习到的特性，支持混合检索和错误分析。

    Apr, 2021

  • 探索上下文和嵌入在神经命名实体识别模型中在任务定向对话系统中的重要性

    本文通过在任务导向的对话系统中评估经过修改的最新神经网络架构的性能，研究了从文本、字符特征和外部语料库中训练的词嵌入的使用方式，并探讨了前一个话语作为附加特征的不同组合，以及在添加自动翻译的英语 - 翻译和英语 - 转录版本到英语数据集后的实验重复性。

    Dec, 2018

  • 基于检索的对话系统的对话词嵌入

    本文提出了一种名为 PR-Embedding 的对话词嵌入方法，其利用对话对 <post，reply> 学习词嵌入，使用来自两个不同语义空间的向量代表 post 和 reply 中的单词并通过训练词级和句级来生成交叉句窗口，实验结果表明 PR-Embedding 可以提高检索型对话系统的响应选择质量。

    Apr, 2020

  • 基于卷积神经网络的信息检索模拟人类对话

    本文介绍了一种利用卷积深度结构语义神经网络特征进行信息检索的模型，以实现在与用户进行对话时产生人类般的对话互动，该模型采用上下文敏感的方法，具有显著优于传统基线模型的检索响应相关性。

    Jun, 2016

  • 从对话学习语义文本相似度

    本论文通过学习使用对话数据学习句子级语义相似性的新方法，利用无监督模型预测对话输入响应对以训练，导出的句子嵌入在语义文本相似性基准测试和 SemEval 2017 的 CQA 问题相似性子任务上表现良好。通过介绍同时进行对话输入响应预测任务和自然语言推理任务的多任务训练来进一步改善性能。广泛的实验显示，所提出的模型在 STS 基准测试中达到了所有神经模型中最佳性能，并且在两个任务中的工程特征和混合系统方面与最先进的混合系统竞争。

    Apr, 2018

  • 将相关文档纳入 word2vec 中

    本文针对词嵌入模型在信息检索任务中存在的问题及其局限性，提出了一种基于 word2vec Skip-Gram 模型的神经网络模型，通过显式向量表示的方式，增加了模型的可解释性和准确性，实现了查询词汇的局部信息融合，提高了指定任务状态下的表现表现。

    Jul, 2017

  • 口语对话中上下文和反馈嵌入的联合学习

    通过对话语境和反馈响应进行对比学习，本文研究了将其嵌入到相同表示空间的可能性。通过使用嵌入模型评估其在美式英语对话中作为上下文 - 反馈适当性度量和反馈响应排序的效果，结果表明该模型在相同排序任务上优于人类，且学习到的嵌入包含了反馈响应的会话功能信息。

    Jun, 2024

  • 问答中用于 top-k 文档检索的增强向量

    提出一种新的文档检索方法，通过赋予每个文档一个唯一标识符和使用密集矢量进行索引，以实现高效准确地检索问题答案所需的证据文档，适用于对话聊天机器人等情景。

    Oct, 2022