对话自然语言推理
利用自然语言推断技术探讨生成持续一致人格的对话,提出基于强化学习框架使用从响应 - 人格对得到的自然语言推断信号作为奖励来生成至关一致的对话,并通过对话者的关注机制编码器 - 解码器来生成基于人格的响应,使用对抗训练的自然度模块和基于自然语言推断的一致性模块来评估生成的响应的一致性,实验表明该方法优于强大的生成基线,特别是在生成响应的人格一致性方面。
Nov, 2019
本文通过提出一种新的度量方法和一种称为 Diversity Threshold Generation 的新生成程序来改进对话生成,从而在多样性方面取得了显著进展。
May, 2022
我们介绍了一种自然语言推理方法,用于事后将训练好的角色提取模型适应于新的场景,与现有的角色提取模型相比,我们的方法可以提供更高质量的角色提取结果,并需要较少的人工标注。
Jan, 2024
本文介绍了交互推断网络(IIN),一种新的神经网络架构,它通过从交互空间层次性地提取语义特征来实现对语句对的高层次理解,并展示了类似大规模 NLI 的语料库上 Densely Interactive Inference Network (DIIN)的最新性能表现,DIIN 相对于最强的发表系统在具有挑战性的 Multi-Genre NLI(MultiNLI)数据集上实现了大于 20%的误差降低。
Sep, 2017
本文提出了第一个用于混合语言自然语言推理的数据集,其中使用来自印地语电影和双语人士的双语代码混合作为前提和假设,并使用标准的 mBERT 算法对数据集进行了评估。
Apr, 2020
本文探讨如何利用自然语言推理来验证问答系统提供的答案是否正确,并通过使用大型预训练模型和最新的数据集来构建 QA 实例的前提 - 假设配对,进而将 QA 和 NLI 数据集结合以训练 NLI 模型,以此提高 QA 模型的准确性和置信度。
Apr, 2021
研究利用自然语言推理(NLI)模型来提高对话摘要的覆盖率和忠实度,通过计算细粒度训练信号,产生内容在参考摘要中未被涵盖,并且区分生成的句子是与事实一致或不一致的,通过 DialogSum 和 SAMSum 数据集的实验证实该方法的有效性,并通过自动度量和人类评估进行验证,另外,评估三个不同维度的对话摘要,计算常用自动度量与人类判断之间的相关性,以提供有关最适合评估对话摘要的度量标准的见解。
Jan, 2023
我们探讨了如何通过 Rational Speech Acts 框架的方法,为已有的对话代理赋予公共自我意识的能力,以强化其一致性并减少矛盾,同时探索了如何在对话中提高背景一致性。
Apr, 2020
提出了一个融合符号与深度学习方法的推理框架 NeuralLog,通过结合单调性逻辑推理引擎和神经网络语言模型进行短语对齐,并使用 beam search 算法解决 NLI 任务,实验证明该联合推理系统在 NLI 任务上提高了准确性,并可在 SICK 和 MED 数据集上实现最先进的准确性。
May, 2021
研究论文强调了聊天系统的一致性问题,介绍了一个用于研究对话一致性的数据集和一系列任务,实验证明该数据集对于检测和解决会话中的不一致性有显著帮助,同时发现当前流行的大型语言模型如 ChatGPT 在解决不一致性方面表现良好但在检测方面仍存在困难。
Jan, 2024