Sep, 2018

一种语用学的增量迭代响应模型

PDF
TL;DR本文介绍基于迭代响应的语用学模型，其中语言使用被概括为一种递归过程，通过递增的方法推理、生成、理解信息。与以往的完整语句版本不同，文章提出了一个增量的语用学模型，通过计算模拟和实验数据表明该模型能够有效地生成指代表达，从而实现了语用推理的实时递增。
iterated response modelspragmaticsincremental reasoningreferencing expression generationcomputational simulations
发现论文，激发创造
  • 生成和跟随指令的统一语用模型

    使用显式的实用推断对于复杂的序列任务生成和遵循自然语言指令是有帮助的，研究表明实用推断可以提高在不同环境下生成和理解自然语言指令的效果。

    Nov, 2017

  • 使用神经听者和说者推理语用学

    我们提出了一个基于先验推理和学习语义结合的思想来描述场景的模型，成功率高于现有技术。

    Apr, 2016

  • 理解心理学与指称游戏相互作用的语用学的涌现

    本文提出一种基于理论智能和自适应强化学习算法的合作式多智能体情境下的通讯协议，使得智能体可以在没有显式设计规则的情况下自发地学习 “读懂人心”，实现了语用学的概念在多智能体通讯系统中的有效应用。

    Jan, 2020

  • 人类与语言模型的语用语言理解的精细比较

    本文通过在英语材料的专家评估集上进行零 - shot 提示，进行了人类和语言模型在七个语用现象上的精细比较，发现最大的模型可以实现高精度和匹配人类错误模式，同时发现证据表明模型和人类对相似的语言提示敏感，旨在探讨人类语用处理机制和语言模型之间的关系。

    Dec, 2022

  • 实时学习生成并修复语言

    在这篇论文中，我们使用先前学习的动态句法语法和 CHILDES 语料库开发、训练和评估了一个概率模型，该模型用于增量生成，其中模型的输入是纯语义生成目标概念（TTR）。我们证明了该模型的输出与黄金候选项的准确匹配率为 78％，ROUGE-l 评分为 0.86。我们进一步对同一模型在生成目标在发话过程中发生变化时产生自我修复的能力进行了零次评估。自动评估显示模型能够在 85％的情况下正确生成自我修复。小规模的人工评估确认了生成的自我修复的自然性和语法性。总体而言，这些结果进一步突显了基于语法的模型的泛化能力，并为更可控和自然交互的对话型人工智能系统奠定了基础。

    Aug, 2023

  • 由极少数据启动增量对话系统：对话语法的泛化能力

    本研究探讨使用小量未标记数据自动诱导任务型对话系统的端到端方法，利用动态句法和类型理论与记录相结合的增量语义语法和强化学习，其产生的系统是增量的，可以处理 74％的 Facebook AI bAbI 数据集，和 65％的 bAbI + 语料库，并比较了当前最先进的检索模型 MemN2N，揭示出其对 bAbI + 的转换的性能非常差。

    Sep, 2017

  • 通过摊销语用推理来学习信息性指称

    本文讨论了人类语言的理论模型 Rational Speech Acts (RSA) 框架下通过递归社会推理来捕捉语用现象的一种思路，并通过使用点对点通信游戏数据集，设计了一种新的模型来实现基于内部听众模型的成本分摊机制，实现了在多种语境下快速生成有效而简洁的语言。

    May, 2020

  • 通过自我监督实现可扩展的实用沟通

    本文提出了一种可扩展的语用学方法，通过信息论原理来在代理人之间掌握语用技能，建立了一种新的架构和学习过程，而不是依靠人类数据。

    Aug, 2021

  • 实用信息文本生成

    本文利用计算语用学中的技术，将语言生成模型的建模过程形式化为说话者和听者之间的游戏，通过两种语用建模方法，即保留信息和建模干扰项，来提高抽象概括和结构化含义表述的生成系统的性能。

    Apr, 2019

  • TAPIR：基于双通道模型的增量自适应自然语言理解修订学习

    本文介绍了一种新的 AdaPtIve 修订方法，即 TAPIR，能够利用神经网络和增量式处理、修订来更快地处理自然语言，同时保持全序列的准确性。实验证明，与重启增量转换器相比，我们的模型具有更好的增量性能和更快的推导速度。

    May, 2023