Jan, 2019

第二次对话智能挑战赛（ConvAI2）

PDF
TL;DR本文介绍了 ConvAI2 NeurIPS 竞赛的设置和结果，表明预训练 Transformer 变体是当前最佳的聊天机器人模型，但为了提高系统在与人类进行多轮会话的性能，未来的系统必须超越单词单一度量标准（如困惑度）来对话序列进行度量 —— 例如对话行为的重复性、一致性和平衡（例如问答问题的数量）。
convai2neuripschatbotstransformermulti-turn conversations
发现论文，激发创造
  • 基于人设的对话型人工智能：现状与挑战

    研究旨在探索如何在会话系统中加入角色信息以提高响应生成的质量，并发现当前存在不足和挑战和未来的研究方向。

    Dec, 2022

  • TransferTransfo: 基于神经网络的对话代理的转移学习方法

    该研究提出了一种新的生成数据驱动对话系统的方法，称为 TransferTransfo，它是基于传输学习和高容量 Transformer 模型的组合，使用多任务目标进行微调，取得了当前最先进的端到端对话模型如记忆增强 seq2seq 和信息检索模型所不能比拟的强大改进。

    Jan, 2019

  • 神经对话模型

    通过序列到序列框架，一种简单的端到端的对话模型方法被提出，在特定的领域和大规模通用领域的数据集上表现出很好的对话效果，并可用于执行常识推理任务。

    Jun, 2015

  • 对话式人工智能的最新进展

    该研究论文简要总结了近期在会话人工智能领域取得的突破，包括常用技术、知名作品、来自学术界和行业的著名比赛以及广泛使用的数据集，其中大多数基于神经网络模型。

    Apr, 2022

  • 使用基于 Transformer 的意图识别和问答架构进行对话 AI 教学的 Build-a-Bot 项目

    本文介绍了一个名为 Build-a-Bot 的开源工具，它可以帮助学生和教师创建基于自己课程材料的聊天机器人，从而学习人工智能的基础原理。该工具主要使用自然语言处理的技术，通过训练一个定制化的模型来回答问题，旨在教授学生数据收集、数据增强、意图识别和问题回答等技能，使得之前的黑盒式聊天机器人工具得以升级。该工具设计的特别适合中学生使用，未来的工作重心是将其提供给学校，并获取学生和教师的评估。

    Dec, 2022

  • 电商领域基于上下文的问题匹配的迁移学习

    本研究旨在解决多轮信息检索对话系统中先前存在的困难与不足，通过提出一种基于卷积神经网络的高效且有效的多轮会话模型，进而研究转移学习以在资源贫少的领域中提高性能，最终将模型应用于阿里巴巴的工业聊天机器人 AliMe Assist 中，取得了显著的性能提升。

    Jun, 2018

  • 面向对话 AI 的常识推理：现有技术综述

    本论文调查了最近关于常识推理的谈话人工智能研究，列出了相关的训练数据集，并描述了在谈话人工智能中包含常识的主要方法，讨论了用于评估谈话人工智能中常识的基准，最后对两个最先进的开放对话模型 BlenderBot3 和 LaMDA 的常识能力进行了初步观察，并对自然交互产生了负面影响，进一步激发了关于常识推理在谈话人工智能中的研究。

    Feb, 2023

  • 面向对话人工智能的神经网络方法

    该论文综述了近年来开发的面向神经对话系统的方法，将其分为三个类别：问答代理、任务导向对话代理和聊天机器人，并分别介绍了最新的神经方法及其与传统方法的联系，并以特定系统和模型作为案例研究，讨论了已取得的进展和仍然面临的挑战。

    Sep, 2018

  • 大规模多参与者生成对话建模

    本文提出了一种新的对话代理模型 ——Generative Conversation Control，它能够控制对话代理的个性，并通过控制该模型上一次与目标演员的对话，实现对话代理个性的表达，该模型在 Reddit 评论数据上进行了验证和评估，其效果得到了显著提高。

    May, 2020

  • 通过 Alexa 奖项推动开放领域对话系统的技术发展

    2018 年的 Alexa Prize 竞赛促进了会话人工智能的发展，多所大学加强了会话模型的上下文理解和对大量不同类型输入的处理，并借助知识图谱等工具提高了自然语言理解能力，使用统计和分层对话管理和模型驱动的用户响应机制，同时提供 CoBot 工具包、话题检测模型、对话行为检测模型、对话评估等套件，构建了知识丰富、连贯、吸引人的多轮对话系统。

    Dec, 2018