ACLMay, 2018

利用弱监督学习匹配模型进行基于检索的聊天机器人的应答选择

PDF
TL;DR本文提出了一种方法，可以利用未标记的数据学习匹配模型，用于检索式聊天机器人中的响应选择。该方法采用序列到序列（Seq2Seq）模型作为弱注释器来判断未标记对的匹配度，然后使用弱信号和未标记数据进行学习。两个公共数据集上的实验结果表明，当使用所提出的方法进行学习时，匹配模型得到了显着的提高。
response selectionretrieval-based chatbotsseq2seq modelweak signalsunlabeled data
发现论文，激发创造
  • 基于 Co-teaching 的多回合响应选择检索对话系统匹配模型学习

    研究使用一个匹配模型来解决对话系统的响应选择问题，并提出一个包含三种特定教学策略的通用共同教学框架，该框架可以从含噪声的训练数据中学习出一个强健的匹配模型，以及通过在独立训练数据中同时学习两个匹配模型，从而达到显着提高匹配模型性能的目的。

    Jun, 2019

  • 对话中问题检索和下一问题预测的神经匹配模型

    本论文介绍了利用深度神经网络训练的神经匹配模型来解决提问检索和会话中的下一个问题预测的任务，并进行了实验和评估，证明神经匹配模型在这两个任务中表现良好。

    Jul, 2017

  • Sequential Matching Network: 基于检索的聊天机器人中多轮对话响应选择的新架构

    使用顺序匹配网络（SMN）解决对话中响应选择的问题，该网络通过循环神经网络（RNN）建立了对辞话关系的建模并比现有工作取得更好的响应选择结果。

    Dec, 2016

  • 使用自监督任务学习有效的上下文 - 回复匹配模型， 用于基于检索的对话

    本研究提出了一种基于预训练语言模型的上下文相应匹配模型，引入了四个自我监督任务，并与 auxiliary tasks 一起多任务训练 PLM-based 响应选择模型，旨在提高多轮响应选择的准确性。实验结果表明，在检索式对话中，引入辅助自我监督任务对多轮响应选择带来了显著的改进，本模型在两个数据集上都达到了最新的最优结果。

    Sep, 2020

  • 具有弱监督的神经排名模型

    本文提出了使用弱监督学习方法训练神经排序模型来解决信息检索排名问题，并通过实验结果表明，基于弱标记数据的预训练可以极大地提高神经排序模型的性能。

    Apr, 2017

  • 在信息交互对话系统中使用深度匹配网络和外部知识进行响应排名

    该研究提出了一种在深度神经匹配网络上利用外部知识进行响应排序的学习框架，实验证明，该方法在包括商业数据在内的三个信息寻求对话数据集上优于各种基线模型，包括多个深度文本匹配模型和多轮对话响应选择的最新方法。

    May, 2018

  • 检索与精炼：用于对话的改进序列生成模型

    本研究发展了一种融合了两种不同方法的模型，能够检索出机器人回答，并将其作为附加语境进行精细调节，从而产生了更准确、更生动、更吸引人的回答。在最近的 CONVAI2 挑战评估中，该模型在人类评估中明显优于传统的检索和生成模型。

    Aug, 2018

  • 通过提示进行弱监督的对话理解数据增强

    本论文探讨了在缺少数据资源的情况下，利用预先训练好的语言模型进行对话理解中的数据增强的问题，并提出了一种利用弱监督滤波器迭代增强质量的新方法。实验结果表明，在 DailyDialog 和 Facebook 多语言任务导向对话的情感、行为和意图分类任务上使用少量数据作为辅助训练集，可以达到或超过现有的最佳性能。

    Oct, 2022

  • 基于半监督多任务学习的序列标注

    本文提出了一种序列标注框架，采用辅助训练目标，并通过学习预测数据集中每个词周围的单词进行语言建模，以此学习通用的语义和语法组合模式，并在不需要额外标注或未标注数据的情况下，实现在多个序列标注任务上取得一致的性能提升。

    Apr, 2017

  • 基于检索的聊天机器人多轮响应选择的顺序匹配框架

    我们提出了一种名为序列匹配框架（SMF）的新型匹配框架，该框架可以充分携带上下文中的重要信息，同时建模上下文中话语之间的关系，通过序列卷积网络和序列注意力网络实现，实验结果表明，这两种模型都可以显著优于现有技术，而可视化结果揭示了模型如何捕捉并利用上下文中的重要信息实现匹配。

    Oct, 2017