AAAIAug, 2018

神经响应生成模型为什么更倾向于使用通用回复？

PDF
TL;DR该研究分析了基于序列到序列学习的生成回复任务的神经模型容易产生短而通用回复的问题，并通过分解黑匣子，详细分析了概率极限问题并提出了最大间隔排名正则化方法来避免模型偏向于这些回复，并通过实证实验验证了该方法的有效性。
发现论文，激发创造
  • 生成短文本对话的多个不同响应

    该研究提出了一种新型的响应生成模型，使用一种强化学习算法以考虑一个响应集合，同时生成多个不同的响应，实验证明相比各种最先进的生成模型，我们模型生成的多个响应具有更高的质量和更大的多样性。

    Nov, 2018

  • 神经个性化响应生成作为域适应

    本文提出了一种基于序列到序列学习的个性化响应生成方法，使用初始化和适应两个阶段，模拟人的响应风格并生成个性化的响应，使用人工评估的方法进行模型评估。结果表明该方法可以很好地模拟人类的响应风格并生成个性化响应。

    Jan, 2017

  • 利用自动会话评估器实现连贯和引人入胜的口语对话响应生成

    本研究提出一个评估聊天机器人响应的系统，利用明确的反馈机制改进神经响应图生成模型，从而获得更具连续性和参与度的响应。

    Apr, 2019

  • 说我想说的话：走向神经对话模型的黑暗面

    本研究利用强化学习算法构建了一个逆对话生成器，能够有效发现可以操纵神经对话模型输出的输入方法，并提出了该模型的安全性问题。

    Sep, 2019

  • 利用序列到序列模型生成高质量和信息丰富的对话回复

    该文研究应用序列到序列模型解决对话响应生成问题的方法，使用基于注意力机制的解码器保证响应内容连贯性，并提出了一种名为‘glimpse-model’的实用方法以适应大型数据集，并使用随机 beam 搜索算法注入多样性来增加生成可接受响应的比例和整体响应长度。

    Jan, 2017

  • 开放域对话响应选择的系统评估

    本研究对开源聊天机器人的多种回复生成方法进行了系统评估，提出了利用手动注释筛选出的多个正向回复和负向回复，从而提高模型效果的新训练数据，并实验证明性能较之采用对抗训练数据有更显著提升。

    Aug, 2022

  • 检索与精炼：用于对话的改进序列生成模型

    本研究发展了一种融合了两种不同方法的模型，能够检索出机器人回答，并将其作为附加语境进行精细调节，从而产生了更准确、更生动、更吸引人的回答。在最近的 CONVAI2 挑战评估中，该模型在人类评估中明显优于传统的检索和生成模型。

    Aug, 2018

  • 生成式深度神经网络在对话中的应用：简要综述

    该研究探讨了基于深度神经网络的自动生成响应的模型，着重讨论了结构松散的任务，如基于单词级别的对话响应生成，并提出了基于生成的编码器 - 解码器神经网络架构的新模型，以增强对话的长期历史纪录、建模对话中的不确定性和歧义性、生成具有高级组合结构的响应。

    Nov, 2016

  • 面向知识驱动对话系统的策略驱动型神经响应生成

    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

  • 神经对话系统为何生成短且无意义的回复？对话和翻译的比较

    本文探讨神经对话系统为何会生成短小无意的回复。作者假设，在对话系统中，一句话可能有多种同样合理的回复，导致神经网络在对话应用中的不足。作者提出了一种系统的方法来模拟对话情境，成功在机器翻译系统中复现短小不具意义的句子生成现象，并展示了作者的假设的证据。

    Dec, 2017