Dec, 2017

神经对话系统为何生成短且无意义的回复？对话和翻译的比较

PDF
TL;DR本文探讨神经对话系统为何会生成短小无意的回复。作者假设，在对话系统中，一句话可能有多种同样合理的回复，导致神经网络在对话应用中的不足。作者提出了一种系统的方法来模拟对话情境，成功在机器翻译系统中复现短小不具意义的句子生成现象，并展示了作者的假设的证据。
neural dialog systemsmeaningless repliesdialog scenariomachine translation systemless meaningful sentences
发现论文，激发创造
  • 神经响应生成模型为什么更倾向于使用通用回复？

    该研究分析了基于序列到序列学习的生成回复任务的神经模型容易产生短而通用回复的问题，并通过分解黑匣子，详细分析了概率极限问题并提出了最大间隔排名正则化方法来避免模型偏向于这些回复，并通过实证实验验证了该方法的有效性。

    Aug, 2018

  • 探测神经对话模型的对话理解能力

    本研究分析了神经网络开放领域对话系统所学习的内部表示，并评估了这些表示的质量以学习基本的交谈技巧。结果表明，标准的开放领域对话系统难以回答问题、推断矛盾并确定对话话题等任务，需要更多的研究来探讨建筑和训练方法，从而更好地捕捉有关对话的高级信息。

    Jun, 2020

  • 说我想说的话：走向神经对话模型的黑暗面

    本研究利用强化学习算法构建了一个逆对话生成器，能够有效发现可以操纵神经对话模型输出的输入方法，并提出了该模型的安全性问题。

    Sep, 2019

  • 利用释义生成快速启动对话系统

    该研究提出了一种基于改写生成的方法，可以减少创建新对话代理所需要的时间和成本，同时提高其性能，使其能够实际与真实用户进行交互。实验证明该方法提高了意图分类模型的泛化能力，有助于在组织范围内规模化部署这项技术。

    Apr, 2022

  • 生成式深度神经网络在对话中的应用：简要综述

    该研究探讨了基于深度神经网络的自动生成响应的模型，着重讨论了结构松散的任务，如基于单词级别的对话响应生成，并提出了基于生成的编码器 - 解码器神经网络架构的新模型，以增强对话的长期历史纪录、建模对话中的不确定性和歧义性、生成具有高级组合结构的响应。

    Nov, 2016

  • 生成短文本对话的多个不同响应

    该研究提出了一种新型的响应生成模型，使用一种强化学习算法以考虑一个响应集合，同时生成多个不同的响应，实验证明相比各种最先进的生成模型，我们模型生成的多个响应具有更高的质量和更大的多样性。

    Nov, 2018

  • 说不是一门艺术：上下文回退响应用于无法回答的对话查询

    该研究设计了一种基于神经网络的对话系统，实现了基于用户查询情境感知和否定回复的定制化回答，提高了对话效果和多样性，并通过自动和人工评估证明了系统的有效性。

    Dec, 2020

  • 基于神经网络的上下文敏感式对话回复生成方法

    本篇论文介绍了一种新颖的响应生成系统，它可以在大量非结构化的 Twitter 会话上进行端到端的训练。该系统使用神经网络架构来解决在将上下文信息集成到经典统计模型中出现的稀疏性问题，从而允许系统考虑以前的对话话语。我们的动态上下文生成模型相对于基于上下文和非上下文敏感的机器翻译和信息检索基准具有一致的提高。

    Jun, 2015

  • 神经对话系统有效利用对话历史吗？实证研究

    本文研究了神经生成模型在对话系统中对历史对话的敏感性，并通过实验证明在测试时的上下文人为干扰（例如缺失或重排序发言，混淆词语等）对常用的递归和基于 Transformer 的 seq2seq 模型的影响很小，在开源其代码的同时，本文所提供的测试评估工具将为未来的对话系统改进提供参考。

    Jun, 2019

  • 面向知识驱动对话系统的策略驱动型神经响应生成

    本文提出通过对话策略来规划目标响应的内容和风格，促进神经响应生成方法生成更为准确、有效和吸引人的回应，通过 Topical-Chat 数据集的自动注释，得到包括对话上下文、目标对话行为、话题信息等方面的行动计划。作者进一步调查了不同的对话策略模型来预测行动计划，证明了在句子级别和依托对话策略的生成模型所生成的回复更具适切性，并且控制效果更为出色。

    May, 2020