信息搜索对话中用户意图的分析与表征
通过 Wizard-of-Oz 对话任务,探索了用户对已知事实的回应与对话参与度之间的相关性,进而提出一种结合用户先前知识的多任务模型,使得数字助手能够更好地理解用户需求并提高用户参与度。
May, 2020
本文提出了一个概念模型,旨在推动对于对话式搜索的研究。在文献基础上,作者们分析了当前信息检索、自然语言处理和对话系统等领域的任务和测试集如何与该模型相适应,并最终提出一套理想的对话式搜索数据集标准。最后,作者们介绍了一个新的多领域多轮对话数据集 MANtIS,并同时提供了其用于会话回复排序和用户意图预测任务的基准结果。
Dec, 2019
本文提出了意图发现框架,通过自动聚类类似用户话语并手动注释,再通过对未被聚类映射的话语标记意图标签和标记传播,从原始对话中生成意图训练数据,以有效地解决在聊天机器人开发过程中遇到的用户话语分类问题,并验证了该框架的有效性。
May, 2020
研究了信息检索中用户意图识别的两个方面,提取基于内容,结构和情感特征的特征,利用经典机器学习方法执行用户意图预测,使用特征重要性分析确定了结构特征对预测的贡献最大,并构建了神经分类器以提高性能。
Jan, 2019
本文提出了一种用于大型电子商务平台的意图发现流程改进方法,该方法利用了领域内数据的自我监督和弱监督预训练语言模型,以及利用现实生活数据的对话结构进行微调的最佳方法,并使用所有这些方法结合使用,使真实生活数据的使用比仅使用问题数据的 CDAC 模型效果提高了多达 33pp。
May, 2023
该研究调查了公开可用的意图分类和填槽任务数据集,并对每个数据集的重要特征进行编目,以提高这些数据集的可访问性,便于未来评估对话系统的意图分类和填槽模型。
Jul, 2022
本研究提出了一种用于处理商业任务导向型对话系统中未识别用户语句的端到端管道,包括特定定制聚类算法、新颖的聚类代表提取方法和聚类命名。通过评估这些组件,证明了它们在分析未识别用户请求方面的益处。
Apr, 2022
本文研究了如何设计对话式搜索系统以协助用户在不熟悉的领域进行信息探索,并通过实验研究采用统计分析和过程挖掘技术发现了用户在不同领域中的一般信息需求类型和对话行为,从而得出了为对话式搜索系统提供设计建议的结论。
Jan, 2023
该论文介绍了 INSCIT 数据集,该数据集用于信息搜索对话的研究,其中包含 805 个人 - 人之间的对话中的 4.7K 用户 - 代理器的交互,定义了证据段落识别和响应生成的两个子任务,以及一个新的人类评估协议以评估模型的性能,证实现有大量改进的空间。
Jul, 2022