EMNLPNov, 2018

社交对话的神经响应排名：一种数据高效的方法

PDF
TL;DR本文提出了使用神经排序器从未标记的数据中有效地训练社交对话系统的方法，并展示了使用该方法通过优化长度作为目标的排序器在性能上优于优化用户评级的排序器，从而可简化未来社交对话代理的数据收集。
发现论文，激发创造
  • 使用大规模人类反馈数据进行对话响应排名训练

    通过社交媒体反馈数据构建训练集，在 133M 个人类反馈数据上训练了基于 GPT-2 的 DialogRPT 模型，结合评分模型排名机器生成的对话回复，并通过人类评估证明其效果优于基线模型。

    Sep, 2020

  • 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

  • 在信息交互对话系统中使用深度匹配网络和外部知识进行响应排名

    该研究提出了一种在深度神经匹配网络上利用外部知识进行响应排序的学习框架，实验证明，该方法在包括商业数据在内的三个信息寻求对话数据集上优于各种基线模型，包括多个深度文本匹配模型和多轮对话响应选择的最新方法。

    May, 2018

  • 深度会话推荐

    本文提供了一个名为 ReDial 的可用于公共研究的数据集，用于探索使用神经网络和深度学习技术创建对话系统的应用，并探讨了在这一领域中应用的新方法和机制。

    Dec, 2018

  • 基于卷积神经网络的信息检索模拟人类对话

    本文介绍了一种利用卷积深度结构语义神经网络特征进行信息检索的模型，以实现在与用户进行对话时产生人类般的对话互动，该模型采用上下文敏感的方法，具有显著优于传统基线模型的检索响应相关性。

    Jun, 2016

  • 面向任务的对话系统的上下文感知对话重新排序

    提出了一种上下文感知的对话响应重新排序系统，使用神经词嵌入模型和手工或逻辑回归模型，将响应在与当前对话上下文的匹配分数和候选人的概率分布的基础上重新排名，提高了最近提出的端到端任务导向对话系统在具有语音识别错误的实际对话中的性能。

    Nov, 2018

  • 通过神经网络评估交谈系统中口语对话的成功，从真实用户学习的强化学习

    提出两个神经网络模型，评估一系列对话特征，以无先验知识地对话成功率进行评分并得出能与基于先验知识的系统相媲美的结果，该方法也可用于评估 SDS 并监测基于规则的 SDS 的对话。

    Aug, 2015

  • 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

  • 对话响应选择中的密集检索探索

    该研究提出了一种利用密集检索模型从包含数百万个响应的大型语料库或甚至仅由未配对句子组成的非平行语料库中直接选择适当响应的解决方案，并通过一系列专门设计的学习策略实现其在全范围评估设置下的优越性。

    Oct, 2021

  • 基于 Transformer 的开放领域口语对话响应评估器

    该研究对基于多个响应生成器的开放域对话系统进行了实验，使用了多种响应排序方法比较 Athena-Heuristic 和 Athena-RR，结果显示 Athena-RR 表现最好，能够在对话中更准确地选择最佳响应。

    Feb, 2023