NIPSApr, 2018

实现任务导向对话的流畅性和连贯性

PDF
TL;DR本论文研究了如何在实际的客服对话场景中，生成自然流畅的语言回应和正确的外部操作指令，使用了序列到序列模型并采用了近邻基于嵌入空间的方法，在确保对话连贯性、生成准确的外部操作指令的同时，显著提高了回应的流利程度和准确性。
task-oriented dialogsequence to sequence modelsnatural language responsesexternal actionscustomer support
发现论文，激发创造
  • 自动化客户支持

    本论文比较了三种模型在自动客服中的应用：检索模型，基于序列到序列模型的注意力模型和 Transformer 模型。其中，实验表明序列到序列模型在语义和词重复方面优于其他两种模型。

    Sep, 2018

  • 面向任务的对话的序列到序列学习与对话状态表示

    该论文提出了一种新的框架，将对话状态建模为固定大小的分布式表示，并使用注意机制查询知识库，以解决任务导向的对话系统中的问题。实验结果显示，这种框架在自动评估和人类评估上都明显优于其他基于序列到序列模型的模型。

    Jun, 2018

  • 会话式问答领域的流畅回复生成

    本文提出了一种将 QA 应答置于 SEQ2SEQ NLG 方法内以生成流畅语法的答案，同时保持正确性的方法，并使用数据增强和 BERT-based 分类器对其进行排名，人工评估结果表明该模型在对话响应生成方面优于基线模型。

    May, 2020

  • 基于复制增强的序列到序列模型在任务型对话中表现良好

    本篇论文采用潜在神经嵌入状态和学习选择性关注，以及复制上下文等技术，对话系统可以不依赖于显式的用户意图和信念状态而实现特定领域用户对话。它证明了简单的序列到序列神经网络结构与复制机制的有效性，并在每次对话回应生成方面比更复杂的记忆增强模型高出 7％，达到了 DSTC2 的最新水平。

    Jan, 2017

  • 基于序列到序列模型的口语对话系统用户模拟

    本文介绍了一种基于编码 - 解码循环神经网络的数据驱动用户模拟器，能够更具上下文准确输出用户意图，相较于基于议程和 n-gram 的模拟器，在 DSTC2 数据集上获得更高的 F-score，展示了更精细分类用户行为的能力。

    Jun, 2016

  • 基于知识的神经对话模型

    本文针对神经网络模型生成内容不足的对话应用展开了研究，提出了一种全新的、基于数据和知识驱动的神经对话模型，该模型通过同时考虑历史对话和外部 “事实” 来生成更有用的回应，实验证明该方法在开放领域中具有广泛应用前景，相较于基线模型的 Seq2Seq 方法，能够显著提高输出的信息量。

    Feb, 2017

  • 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

  • 序列到序列模型中对话行为预测的注意力引导

    采用 Seq2Seq 模型进行对话行为分类预测，不需要手动特征处理，其在 SwDA 和 MRDA 数据集上获得了高准确率的成果。

    Feb, 2020

  • 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

  • 领域感知神经对话系统

    本文介绍 DOM-Seq2Seq，一种基于领域目标序列到序列模型和领域分类器的领域感知神经网络模型，用于生成具备智能响应的域感知对话系统，并通过对比 Seq2Seq 模型的性能指标进行评估。

    Aug, 2017