Jun, 2018

电商领域基于上下文的问题匹配的迁移学习

PDF
TL;DR本研究旨在解决多轮信息检索对话系统中先前存在的困难与不足，通过提出一种基于卷积神经网络的高效且有效的多轮会话模型，进而研究转移学习以在资源贫少的领域中提高性能，最终将模型应用于阿里巴巴的工业聊天机器人 AliMe Assist 中，取得了显著的性能提升。
multi-turn conversation modelneural text matching modelstransfer learningindustrial applicationschatbot
发现论文，激发创造
  • 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

  • 使用深度话语聚合建模多轮对话

    本文研究基于信息检索的跨度多轮对话系统以往语句的上下文建模的问题，提出将以前的话语通过一种深度聚合模型聚合成细粒度的上下文进行表示。实验结果表明，与现有的最先进的方法相比，该模型在三个多回合对话基准测试中表现更优秀。

    Jun, 2018

  • 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

  • TransferTransfo: 基于神经网络的对话代理的转移学习方法

    该研究提出了一种新的生成数据驱动对话系统的方法，称为 TransferTransfo，它是基于传输学习和高容量 Transformer 模型的组合，使用多任务目标进行微调，取得了当前最先进的端到端对话模型如记忆增强 seq2seq 和信息检索模型所不能比拟的强大改进。

    Jan, 2019

  • 多轮对话中的对比学习句子重写

    该论文介绍了如何使用对比学习和多任务学习相结合的方法来提高上下文建模中的缺失语句重写系统的目的。实验表明，该方法在几个公共数据集上均达到了最先进的性能。

    Mar, 2022

  • 学习在对话问答中选择相关历史转折

    提出了一个名为 DHS-ConvQA（Conversational Question Answering 中的动态历史选择）的框架，该框架通过生成相关历史转折中的上下文和问题实体，并根据它们与问题之间的相似性进行修剪，使用基于注意机制的方法重新排列修剪过的术语，并通过二分类任务突出显示重排的对话历史中的术语，以提高系统性能，并且证明了选择相关转折比重写原始问题更有效的实证结果。

    Aug, 2023

  • 将问答系统应用于实践：转移学习用于高效领域定制

    本文提出通过过滤机制来增加文档检索的精度，并针对领域差异用一种新型的融合和过采样的迁移学习方法用于提高答案提取性能，并以金融公司和电影行业的实际用例证明了其表现。

    Apr, 2018

  • 电子商务中基于检索的问答系统的迁移学习中建模领域关系

    本文研究了针对 PI 和 NLI 问题的迁移学习，并提出了一种通用框架，旨在有效地将从资源丰富的源域中学习到的共享知识适应于资源匮乏的目标域。研究发现，我们的基准模型高效，并且迁移学习方法可以显著提高其性能。

    Nov, 2017

  • 问答领域的有监督和无监督迁移学习

    本文探究了迁移学习在问题回答方面的应用，使用两种问题回答模型，在 TOEFL 和 MCTest 数据集上通过简单的迁移学习技术从 MovieQA 数据集中学到的知识显著提高了性能，尤其是其中一种模型在所有目标数据集上取得了最佳效果，对于 TOEFL 听力理解测试，它的性能比以前的最佳模型提高了 7%。最后，我们证明了即使在目标 QA 数据集示例的正确答案不可用的无监督情况下，迁移学习也是有帮助的。

    Nov, 2017

  • 学习在对话式搜索中与先前交谈内容的关联

    本文提出了一种新的方法来选择与当前查询相关且有用的历史查询，采用伪标记法进行注释，结合多任务学习框架并在微调过程中进行选取模型和检索模型联合训练，提高对话式搜索中检索效果。

    Jun, 2023