对抗学习框架下的多轮对话生成

ACLMay, 2018

Multi-turn Dialogue Response Generation in an Adversarial Learning Framework

Oluwatobi Olabiyi, Alan Salimov, Anish Khazane, Erik T. Mueller

TL;DR本文提出了一种对话生成的敌对学习方法，基于条件生成式敌对网络，生成器是修改后的层次循环编码器 - 解码器网络，鉴别器是与生成器共享上下文和词嵌入的字级双向循环神经网络，在 Ubuntu 对话数据集和电影三元组数据集上表现出更好的性能和更长、更丰富、更具相关性的自动生成回应。

Abstract

We propose an adversarial learning approach for generating multi-turn dialogue responses. Our proposed framework, hredGAN, is based on conditional generative adversarial networks (GANs). The GAN's generator is a modified →

adversarial learning multi-turn dialogue conditional generative adversarial networks hierarchical recurrent encoder-decoder network word-level bidirectional rnn

发现论文，激发创造

一个基于虚拟人的多轮对话模型的对抗学习框架

本文探讨了基于人物形象的序列到序列（Seq2Seq）神经网络会话模型在多轮对话场景下的应用，提出了一种称为 phredGAN 的新系统，其中包含基于人物形象的 HRED 发生器（PHRED），以及有条件的鉴别器，并且对多但弱属性模态（如 Big Bang Theory 和 Friends）和少但强属性模态（Ubuntu 数据集中的客户代理交互）的数据集采用了两种不同的 phredGAN 变体进行实验。

Apr, 2019

对抗学习框架下的基于角色的多轮对话模型

本文旨在通过引入额外的输入模式来捕捉多轮对话中的其他属性 (例如说话人身份、位置、子主题等), 来扩展基于人物的 Seq2Seq 神经网络对话模型，同时修改了现有的 hredGAN 架构。通过比较在多轮对话语料库 (如 Big Bang Theory 和 Friends 的电视剧系列和 Ubuntu 对话语料库的客户服务交互数据集) 上的表现，我们证明了 resulting persona hredGAN ($phredGAN$) 在当这些外部属性的情况下比现有的基于人物的 Seq2Seq 和 hredGAN 模型更优秀，表现出更好的对话生成效果和表达一致性。

Apr, 2019

潜在空间中的对抗学习用于多样对话生成

本文提出了一个基于生成对抗网络的两步框架，通过自编码学习语句的有意义表征，并学习将输入映射到响应表征上，最终将其解码为响应句子，经定量和定性评估证明相对于现有的最先进方法，该模型生成的响应更具流畅性、相关性和多样性。

Nov, 2019

EnsembleGAN: 短文本对话检索生成集成模型的敌对学习

在开放领域对话情景中，提出了一种敌对学习框架 ensembleGAN，用于增强检索 - 生成集合模型，该模型由生成器、排名生成器和排名鉴别器组成，通过学习生成更加相关的响应、高质量候选对抗响应、以及真实响应的识别与区分，实现了两种生成器的优点。实验结果表明了 ensembleGAN 在人工和自动评估度量上的优越性。

Apr, 2020

后验生成对抗网络：朝着信息丰富和连贯的响应生成

本研究提出了一种基于预测 - 生成 - 转移的神经对话模型，并使用后验生成对抗网络的前向和反向判别器来进一步建模。实验结果表明，这种方法有效地提高了生成响应信息量和连贯性，并证实了考虑两种评估角度的优势。

Mar, 2020

利用生成对抗网络进行鲁棒语音识别

本文提出了一种利用生成对抗网络（GAN）优化端到端框架，实现鲁棒语音识别的方法，该方法能够使编码器具有改进的不变性，而不需要依赖于专业知识或简化假设，并通过数据驱动的方式，直接提高模型的鲁棒性，从而提高了模型的远场语音识别能力。

Nov, 2017

透过对抗学习实现有理据的视觉对话生成

本文提出了一种基于强化学习和生成对抗网络的新方法，结合注意力机制为每个回答生成可解释的理由，从而在保持自然对话的一致性的同时回答正确地回答问题，取得了当前主要基准测试的最先进结果。

Nov, 2017

智能代理的对抗性对话塑造

通过对抗对话塑造探究了两个模型 —— 生成对抗网络与策略梯度（GANPG）和生成对抗网络每个生成步骤进行奖励的模型（REGS），来提升智能对话代理的性能。讨论了使用不同训练细节（seq2seq 和 transformers）在强化学习框架下的表现。

Jul, 2023

对话生成：从模仿学习到逆强化学习

通过采用敌对模仿学习和敌对逆强化学习的方法，提出了一种新的对话生成奖励模型，可用于更精确地指导生成器训练，实验结果表明其有效性。

Dec, 2018

语言生成的对抗排名

本文提出了一种新颖的生成对抗网络 RankGAN，用于生成高质量的自然语言描述，其通过给定一个参考组来分析和排名一组人工编写和机器编写的句子，通过相对排名分数来评估数据集的质量以帮助学习更好的生成器，并使用策略梯度技术来优化 RankGAN。多个公共数据集的实验结果清楚地证明了所提出方案的有效性。

May, 2017