COLINGJun, 2018

使用深度话语聚合建模多轮对话

PDF
TL;DR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。
multi-turn conversation understandingretrieval-based response matchingdeep utterance aggregation modelcontext representationself-matching attention
发现论文，激发创造
  • 主题感知多轮对话建模

    本文提出了一种新颖的基于主题感知的无监督多轮对话建模方案，该方案通过无监督的主题感知分割算法和主题感知双交互匹配网络实现，在多个公共数据集上的实验结果表明 TADAM 可以胜过现有的最新方法，尤其是在出现明显主题转移的电子商务数据集上提高了 3.3％。

    Sep, 2020

  • 针对多轮对话的话语感知和说话人感知表示填充

    本文提出了一种新型方法，旨在通过建模对话历史中蕴含的有效话语意识和发言人意识表示，从而解决现有基于检索的多轮对话建模中针对言语和说话人角色的细粒度表示不足的问题，并在四个公共基准数据集上显著提高了 ELECTRA 基线的性能，达到了多种新的最新性能。

    Sep, 2020

  • 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

  • 使用辅助任务训练简单有效的多轮对话生成模型

    本研究探讨多轮开放域对话的响应生成，并通过辅助任务实现上下文理解，提高了生成模型的质量，同时具有更快的解码速度。

    Apr, 2020

  • 电商领域基于上下文的问题匹配的迁移学习

    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。

    Jun, 2018

  • 基于主题感知的多回合对话理解

    该研究提出了一种从主题感知的角度对多轮对话进行建模，使用对话切分算法将对话段落无监督地拆分为主题集中的片段，并将这些片段作为主题感知的语言处理单元用于进一步的对话理解。通过在聚类系统中设计自训练自编码器，并构建两个构造的数据集进行评估，我们展示了拆分段落在域内主题检测和定位方面的便利性。同时，拆分段落也是多轮对话响应选择的适当元素，为此，我们提出了 Topic-Aware Dual-Attention Matching (TADAM) 网络模型，它以主题片段作为处理元素，并使用双交叉注意力匹配响应候选项。通过对三个公共基准测试的实证研究，我们发现相对于基准，该模型取得了显著的改进。该研究延续了先前的文档主题研究，并通过详尽的实验和分析将对话建模引入了新的主题感知视角。

    Sep, 2023

  • 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

  • 增强型说话者感知多方多轮对话理解

    本文提出了基于掩码注意力和异构图网络的增强型说话人感知模型，以全面捕捉对话线索，实验结果展示了我们说话人感知模型在基准数据集 Molweni 上取得了最先进的表现，案例分析表明我们的模型增强了话语与说话人之间的联系，并捕捉到了说话人感知的对话关系，对话建模至关重要。

    Sep, 2021

  • 多轮口语对话中基于知识增强的 BERT 互联网络

    本文研究了基于 BERT 的联合模型，利用知识关注机制和筛选相关知识三元组的门控机制相互利用两个 SLU 任务的对话上下文和动态信息进行建模，实验结果表明相对于其他竞争基线，该方法在两个复杂的多轮对话数据集上取得了相当大的改进。

    Feb, 2022

  • 具有轴心转换和知识的多轮对话阅读理解

    提出了一种基于 Transformer 的多轮对话阅读理解模型 PoDS，其中从历史对话中提取关键语句作为轴心话语，并利用外部知识增强上下文的表示，以解决常识知识和噪声历史对话的挑战，并在四个对话理解基准任务上表现出明显的改进。

    Feb, 2021