我们提出了一种新颖的相关性模型来应用于书面异步对话(例如论坛,电子邮件)的相关性评估和线程重建,该模型通过在实体转换中引入词汇化实现性能的改进,并将其扩展成为包括底层对话结构的实体网格表示和特征计算的方法,成为目前单 olog 和对话中标准相关性评估任务中的最佳模型,也展示了其在重建线程结构方面的有效性。
May, 2018
本文提出了三种新的文档连贯度测量指标,应用于文档的双分图以及连贯实体;经过标准测算,其中一项文档连贯度指标实现了最高的准确度,并且这些指标都有效地提高了 IR 的效率,而这些方面是基于关键字的常规排序和垃圾邮件过滤所无法检测到的。
Aug, 2016
本文研究了开放领域对话中人类感知的连贯性问题。我们创建了 SWBD-Coh 语料库,并通过统计分析和不同架构的实验来评估模型的性能,发现模型结合对话行为和实体信息时可以实现最佳性能。
Jun, 2020
本文提出了一种利用对话行为预测进行多任务学习的新方法,用于对话连贯性评估,并消除了对显式对话行为标签的需求,有效解决了以往研究领域中语义限制有限以及性能强烈依赖于输入对话行为标签等问题。
Aug, 2019
本研究提出了一种无域限制的神经模型,可用于度量多个方面的连贯性,并能在生成新语句时保持连贯性,该模型包括区分性模型和生成性模型,以及一种新的基于神经潜变量马尔科夫生成模型,可捕获文本中句子之间的隐含连贯性依赖关系,并在多个连贯性评估方面取得了最先进的表现,为处理语篇上下文生成连贯性文本迈出了一步。
Jun, 2016
本研究提出一种层次神经网络模型,通过多任务学习,同时预测文档层次的信息连贯得分和词级别的语法角色,利用两个任务之间的归纳转移,提高模型泛化能力,并在不同任务中达到了新的最优表现。
Jul, 2019
本文介绍了三种增强现有编码器 - 解码器模型的方法,以有效地模拟连贯性并促进输出多样性,它们在 OpenSubtitles 语料库上的实验表明,与竞争神经模型相比,在 BLEU 分数以及连贯性和多样性度量方面均有极大改善。
Sep, 2018
本研究提出一种使用话语上下文和奖励机制来从话语角度提高翻译质量的模型,能够有效提高翻译质量和话语连贯性。
Nov, 2018
本文介绍了一种采用句子语法、句际连贯关系和全局连贯模式的统一一致性模型,该模型在局部和全局判别任务上表现良好,优于现有模型,并建立了新的最新技术成果。
Sep, 2019
本文提出了基于分布式句子表示的可解释计算指标,用于评估开放领域对话系统的主题、话题的连贯性,减少了人工判断实验的时间成本和不可伸缩性,并结合先进的蕴含技术,介绍了可计算的人工判断形式,实现了对大规模数据集上对话质量的无偏估计。
Apr, 2019