对抗学习框架下的多轮对话生成
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
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
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
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
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
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
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
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
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