通过自动规划生成对话代理
本文提出了一种使用规划技术处理说明性对话代理的方法,从模型征集到生成的计划的执行,涵盖过程的所有方面,同时介绍了一种全新的计划编码方法、多种规划接口和一个强健的执行者。
Oct, 2019
我们旨在构建一个系统,不仅利用大型语言模型的灵活对话能力,还利用其先进的规划能力,降低人类对话者的讲话负担并高效地规划行程。我们提出了一种将旅行社的复杂任务划分为多个子任务的方法,将每个子任务作为一个独立阶段进行管理,以有效地完成任务。我们的提出的系统在 2023 年对话机器人比赛的预赛中取得了一定的成功,并报告了比赛中发现的挑战。
Dec, 2023
研究了对话决策问题的一个类别,其中 AI 助手与一个或多个人通过自然语言协作,帮助他们做出复杂的决策。为不同的任务建立了对话环境,并使用这些环境收集了人与人的对话作为基线,同时提出了模型在决策导向的对话中面临着一些挑战,并释放了环境作为未来建模工作的测试基地。
May, 2023
研究表明,可训练的语句规划可生成复杂的信息呈现,并易于个性化定制,且个性化的句子规划器通常比针对人群进行训练和测试的模型表现更好。同时,研究还评估了不同特征集的贡献,并显示在该应用中,n-gram 特征通常能达到基于更高级别的语言表示的特征的效果。
Oct, 2011
Alexa Conversations 是一种新的目标导向对话系统构建方法,它使用基于对 API 和实体的规格的对话模拟器来生成对话,提供了对自然对话现象的支持,并通过减轻开发人员的负担来降低了对话系统的创建成本。
Apr, 2021
本文提出一种对话代理框架,该框架包括使用 “全局” 对话状态空间的概念、基于会话轨迹计算的任务特定进度函数和基于对话回滚的计划机制,从而让对话代理为下一步响应选择使用任务成功的话题。
May, 2022
以决策理论为灵感,提出了一种新颖的目标约束双向规划方法 (TRIP),通过生成任务规划一个适当的对话路径,然后采用该路径指导对话生成的过程,实验证明该方法显著优于各种基线模型。
Mar, 2024
本研究利用强化学习技术结合最先进的自然语言理解模型创造了一个实时的对话系统,并在使用谷歌智能助手的实验中,使用众包数据进行训练,显著超越了强化模型,证明其对于自然人对话有较高的开放性和可行性。
Jul, 2022
通过将自然语言生成分为计划和实现两个步骤,该论文通过自动和人工评估证明了比端到端方法更好的表现,从而达到实现进行开放式对话系统真正类似于人类的能力的目标。
Sep, 2020
本研究提出了一种基于关键词控制的方法,通过监督学习和话语级别的限制引导自然对话流向指定目标,我们通过创建增强的关键词对话数据集进行定量和人类评估,证明了我们的系统相对于其他方法可以产生有意义且有效的对话。
May, 2019