Nov, 2018

改进的动态记忆网络在对话行为分类中的对抗训练

PDF
TL;DR本文提出了一种将 DA 分类问题转化为问答问题并采用改进的动态记忆网络和分层金字塔语句编码器的方法，同时使用对抗训练方法来解决传统训练方法无法正确分类对抗样本的问题，实验结果表明该模型不仅具有鲁棒性，而且相较于一些最新的基准模型表现更优。
dialogue actclassificationdynamic memory networksadversarial trainingperformance
发现论文，激发创造
  • 一种双重注意力的分层循环神经网络在对话行为分类中的应用

    提出了一种基于双重注意力层级循环神经网络的对话行为分类模型，利用话题建模作为辅助任务和双任务特定注意力机制来捕捉对话行为和话题之间的交互信息，从而大大提高了 DA 分类的效果。

    Oct, 2018

  • 多层门控循环神经网络用于对话行为分类

    本文利用多层门控循环神经网络（GRNN）结合非文本信息预测对话行为标签，相较以往方法有显著提高，可应用于自动问答系统中。

    Oct, 2019

  • 基于上下文感知自注意力机制的对话行为分类

    本文研究 Dialogue Act 分类，提出了将上下文感知的自注意机制与分层循环神经网络相结合的方法，并在 SwDA Corpus 上证明了其在不同语义表征学习方法下的高精度表现。

    Apr, 2019

  • 基于上下文意识的神经网络自动化生成转录文本的对话行为分类

    本文提出了一种新的方法，该方法结合了卷积神经网络（CNN）和条件随机场（CRF），用于自动生成转录文本中的对话行为（DA）分类。结果表明，CNN 和 CRF 相结合的方法能够提高对话行为分类的准确性，同时基于端到端的自动语音识别系统似乎更适合于该任务。

    Feb, 2019

  • 基于 CRF-Attentive 结构网络的对话行为识别

    本研究提出了一种使用丰富的条件随机场 (CRF) 结构依赖性、采用分层语义推理和记忆机制的话语行为识别方法，并使用扩展的结构化注意力网络考虑上下文的话语和相应的对话行为，实验结果显示该方法表现优于其他最先进的解决方案。

    Nov, 2017

  • 基于 DAG-LSTMs 的群聊对话行为分类

    本文提出一种新型模型结构 DAG-LSTM 用于 DA 分类，该模型利用了自然存在于多方对话中的转换结构，并将其编码在模型结构中，相对于现有方法，该方法在准确度和宏 F1 得分方面均有 1% 左右的提升。

    Aug, 2019

  • 序列到序列模型中对话行为预测的注意力引导

    采用 Seq2Seq 模型进行对话行为分类预测，不需要手动特征处理，其在 SwDA 和 MRDA 数据集上获得了高准确率的成果。

    Feb, 2020

  • 利用多个记号、片段和上下文信息表征的深层对话行为识别

    本研究旨在通过考虑不同层级的 tokens 和在历史对话中上下文信息的丰富表达，探索生成更加信息丰富的对话结构代表，我们通过组合最佳的方法，在 SwDA 和 MRDA 上取得了超越以往最佳结果，并在 MRDA 上超越了人类的表现水平。

    Jul, 2018

  • DAL: 双重对抗学习用于对话生成

    通过引入对抗生成学习，利用查询生成与回复生成二者之间的对偶，提高回复的多样化，通过模仿人类评委来引导系统生成自然回复的新颖框架 Dual Adversarial Learning 在高质量回复的生成方面取得了很好的效果。

    Jun, 2019

  • 面向开放域对话代理的上下文对话行为分类

    本文提出了一种名为 CDAC 的深度学习算法，通过在 Switchboard 人际对话数据集上进行预训练并在人机对话数据集上微调，实现了上下文对话行为分类，并表明采用小样本人机对话数据微调 CDAC 模型可以更精确地预测真实用户的对话行为，为未来的改进提供了有希望的方向。

    May, 2020