基于对话行为的可解释可控开放域对话生成
本文提出修改对话系统,使其能够学习的方法,并讨论了如何从对话中提取知识、更新代理的语义网络并以行动和观察为基础。希望引起人们对该领域的关注,并成为未来研究的重点。
Feb, 2022
本文提出通过对话策略来规划目标响应的内容和风格,促进神经响应生成方法生成更为准确、有效和吸引人的回应,通过 Topical-Chat 数据集的自动注释,得到包括对话上下文、目标对话行为、话题信息等方面的行动计划。作者进一步调查了不同的对话策略模型来预测行动计划,证明了在句子级别和依托对话策略的生成模型所生成的回复更具适切性,并且控制效果更为出色。
May, 2020
本文介绍了一种通过模仿社交媒体上的非正式互动改善系统的原始会话能力的方法,并利用 Reddit 上的过滤评论数据作为 seq2seq 生成器的额外上下文,以提高开放域对话系统的能力。
Jun, 2022
通过使用潜在对话行为模型 (DiactTOD) 预测和控制对话行为生成可控制的回应,该方法在 MultiWOZ 数据集上展示了在多种实验设置中的最先进性能,包括零样本、少样本和全样本微调,以及端到端和策略优化配置。
Aug, 2023
我们提出了一个神经共同生成模型,可以同时生成对话行为和响应,相比于现有的流水线方法,我们的模型可以保留多领域对话行为的语义结构并动态关注不同的对话行为,通过在 MultiWOZ 数据集上的测试,我们的模型在自动评估和人类评估中都比几种最先进的模型表现得要好很多。
Apr, 2020
本文提出了一种名为 CDAC 的深度学习算法,通过在 Switchboard 人际对话数据集上进行预训练并在人机对话数据集上微调,实现了上下文对话行为分类,并表明采用小样本人机对话数据微调 CDAC 模型可以更精确地预测真实用户的对话行为,为未来的改进提供了有希望的方向。
May, 2020
本研究利用强化学习技术结合最先进的自然语言理解模型创造了一个实时的对话系统,并在使用谷歌智能助手的实验中,使用众包数据进行训练,显著超越了强化模型,证明其对于自然人对话有较高的开放性和可行性。
Jul, 2022
本研究旨在解决将角色赋予开放领域对话系统的问题,并提出了一个高效的数据收集框架,借助大规模语言模型的上下文少样本学习来构建满足角色约束的对话数据集。在此基础上,通过比较不同架构的开放领域对话系统,在保持其会话能力的同时满足角色约束。研究结果消息表明,我们的模型返回少量越界言论,在一般指标上保持竞争力。
Apr, 2022
本研究提出了一种基于关键词控制的方法,通过监督学习和话语级别的限制引导自然对话流向指定目标,我们通过创建增强的关键词对话数据集进行定量和人类评估,证明了我们的系统相对于其他方法可以产生有意义且有效的对话。
May, 2019
本文将三个先前提出的可控生成结构应用于开放领域对话生成,控制生成的样式以匹配大约 200 种可能的样式之一,并比较它们各自的性能和权衡,展示它们如何提供对现有对话数据集的深入洞察,以及如何生成各种样式的会话回复
Sep, 2020