Jan, 2018

使用对话自我博弈，一夜之间构建一个交流代理人

PDF
TL;DR提出了基于自动化和众包的 Machines Talking To Machines (M2M) 框架，可用于创建面向目标对话的端到端对话代理，该框架可适应特定任务，并能够收集更多不同领域内的对话流，并维持对话时的自然度，同时，提供了一个新的对话语料库，包含 3000 次对话，涵盖了 2 个领域，与流行的对话数据集进行了比较。
machines talking to machinesdialogue agentscrowdsourcingdiversitynaturalness
发现论文，激发创造
  • 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

  • BotsTalk: 自动化筛选大规模多技能对话数据集的机器源框架

    提出了一种名为 BotsTalk 的新框架，其中多个代理参加交谈以自动注释多技能对话，并展示了一个名为 BSBT 的大规模多技能对话数据集，通过广泛的实验表明，我们的数据集对于需要理解技能融合和技能基础的多技能对话系统非常有效。

    Oct, 2022

  • 对话学习器 -- 用于构建任务导向对话系统的对话管理器的机器教学工具

    该研究论文提出了 Conversation Learner，一种结合了规则导向对话管理和基于机器学习的参数模型的机器教学工具，可以通过利用用户和系统之间的对话日志作为训练数据，帮助对话作者构建灵活应对复杂对话的对话管理器。

    Apr, 2020

  • 评估学习端到端对话系统的先决条件素质

    本文提出了基于电影领域的一套新任务套件，旨在测试模型回答事实性问题、提供个性化、进行短对话及在 Reddit 上执行自然对话的能力，评估了各种模型在这些任务上的性能表现。

    Nov, 2015

  • 神经对话模型

    通过序列到序列框架，一种简单的端到端的对话模型方法被提出，在特定的领域和大规模通用领域的数据集上表现出很好的对话效果，并可用于执行常识推理任务。

    Jun, 2015

  • Taskmaster-1: 迈向逼真多样话语数据集

    该研究介绍了一个新的数据集 Taskmaster-1，其中包括 13,215 个基于任务的对话，包括六个领域。数据集包含了更多现实和多样化的对话，使用了两种不同的方法进行数据收集并提供了多个基准模型，其中 API 调用和参数被标记为基于任务的对话系统的研究、开发和设计提供了新的前景。

    Sep, 2019

  • 面向任务的对话与上下文学习

    使用大型语言模型（LLMs）的上下文学习能力与业务逻辑的确定执行相结合，描述了一种构建面向任务的对话系统的系统。与主要用于行业的基于意图的 NLU 方法相比较，我们的实验表明，使用我们的系统开发聊天机器人所需的工作量明显较少，这些聊天机器人可以成功地进行复杂对话，并且我们的系统对于大规模任务导向的对话系统具有可扩展的有益特性。我们提供了我们的实现用于使用和进一步研究。

    Feb, 2024

  • 销售机器人 2.0：一个人类化意图导向的闲聊数据集

    本文介绍了 SalesBot 2.0，通过使用大型语言模型的常识知识逐渐缩小闲聊和面向任务的对话之间的差距，构建了一个新的大规模数据集，提供了更加平滑的话题转换和更加接近人类自然性和一致性的对话，对学术研究和商业应用都具有重要价值，并提出了一种框架可以用于生成具有各种目标意图的对话。

    Aug, 2023

  • 从知识增强到多任务学习：走向类人对话系统

    研究人工智能中的对话代理，探索深度学习技术如何提高人工对话代理水平。

    Nov, 2022

  • 门控机制增强的对话路由多任务学习

    本文提出一种基于 Gated Mechanism 的多任务模型来处理各种对话数据之间的任务和知识关系，并取得了最优表现。

    Apr, 2023