本文介绍了一种基于编码 - 解码循环神经网络的数据驱动用户模拟器,能够更具上下文准确输出用户意图,相较于基于议程和 n-gram 的模拟器,在 DSTC2 数据集上获得更高的 F-score,展示了更精细分类用户行为的能力。
Jun, 2016
该研究论文介绍了用于电影预订领域的用户模拟器,它利用规则和收集到的数据,并支持电影票预订和电影寻找两个任务。为了实现对对话框架的经验算法比较,论文提出了一种新的模拟框架,展示了多个代理的思路,并详细介绍了将自己的代理添加到所提出的框架中进行测试的过程。
Dec, 2016
本文提出一种采用深度强化学习框架实现的迭代式对话策略优化方法,解决了当前学习对话策略的主流方法之一 - 与用户模拟器进行对话时模拟器可靠性低的难题,同时也极大地提高了任务成功率与任务奖励值。此方法可以广泛应用于端到端任务导向型对话系统中,其关键在于通过深度 RL 来同时优化对话代理和用户模拟器的对话策略,并且对话代理和用户模拟器均建立在端到端的神经网络模型上。
Sep, 2017
DAUS 是一种基于大型语言模型的领域感知用户模拟器,通过在真实的面向任务对话示例上进行微调,显著提高用户目标的实现,并有效减少模拟器回应中的不一致性来源。
Feb, 2024
本文提出一种个性化的端到端模型,以应用个性化技术来解决对话系统中的一些悬而未决的问题。该模型结合了 “个人资料模型” 和 “偏好模型” 两个子模型,并实践证明其在对话系统任务完成率和用户满意度等方面取得了良好表现。
Nov, 2018
通过提出用户满意度注释数据集,构建类人用户模拟器来衡量对话质量
May, 2021
提出了一种 uSer 和 Agent Model IntegrAtion(SAMIA)框架,该框架将用户模型作为 Seq2Seq 学习问题来建模,并使用 Agent 模型来进行深度强化学习,从而提高系统的稳定性和鲁棒性。在一个真实的订咖啡数据集上的实验验证了该方法的有效性。
Nov, 2017
为了推动自动化任务导向对话系统的评估,本研究提出了一种基于预训练语言模型的新型用户模拟器,并通过上下文学习来生成具有鲁棒性和语言多样性的输出,以模拟人类对话行为。通过与现有对话系统交互,并收集人机交互数据集,验证了该用户模拟器在单一意图对话目标方面的表现与人类相似。
Sep, 2023
该研究提出了一种可端到端训练的神经目标导向对话系统方法,能通过智能地将对话转移给人工服务代理来处理新用户行为。该方法的三个目标是:最大化用户任务成功率,最小化对人工服务代理的负担,并通过人工代理的反馈进行在线学习,以进一步减轻其负担。实验结果表明所提出的方法能够有效实现这些目标。
Jul, 2019
本文提出了一种基于个人资料的目标导向对话数据集,结合修改内在神经系统结构、使用多任务学习的方法,将个性化应用于对话系统。
Jun, 2017