ACLFeb, 2019

什么是良好的对话？可控属性如何影响人类判断

PDF
TL;DR本研究针对通俗聊天对话，通过调整可控的神经文本生成参数（条件训练和加权解码），控制重复、特定性、关联性和提问行为等四个重要特征，进行大规模人类评测，结果显示这些参数的不同组合能明显提升整体品质。
dialogue agentsneural text generationcontrollable methodsinteractive conversationshuman evaluation
发现论文，激发创造
  • 通过可控特征提高基于知识的对话的准确性

    研究知识基础对话系统，控制生成神经对话模型，加入不同的评估措施作为样式控制以鼓励模型生成有据可依的响应，并通过人类评估研究判断控制生成模型的产出通常更加客观和有据可依。

    Jul, 2021

  • 即插即用式对话模型

    本文介绍了一种新的控制对话响应生成的方法 —— 插入式方法，其不需要注释对话数据集或精调大规模语言模型，并可以实现高度控制所生成的会话响应的多个方面。

    Oct, 2020

  • 真正对话的良好设计：解决方案与挑战

    通过一系列半结构化访谈发现，人们在谈话时注重信任和长期人际关系，而对于智能代理的交流则更加看重其实用性，因此有必要重新定义智能代理的交互设计参数。

    Jan, 2019

  • 对话生成的长期控制：方法与评估

    本文提出了约束性的、long-term 控制对话生成的问题，并提出了一种检测其性能的新指标，并采用改进的基于检索的方法，该方法通过修改 logits 来提高长期控制的生成性能。通过在三个面向任务的对话数据集上的实验证明了我们的指标相对于当前的替代方案更好地评估了对话控制，并且我们的方法优于最先进的约束性生成基线。

    May, 2022

  • 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

  • 生成对话中的样式控制

    本文将三个先前提出的可控生成结构应用于开放领域对话生成，控制生成的样式以匹配大约 200 种可能的样式之一，并比较它们各自的性能和权衡，展示它们如何提供对现有对话数据集的深入洞察，以及如何生成各种样式的会话回复

    Sep, 2020

  • 通过提示实现可控的混合主动对话生成

    研究采用大型语言模型替代 fine-tuning 来实现可控制的混合对话，并在 PersuasionForGood 和 Emotional Support Conversations 两个任务中通过人类评估和自动度量标准显示了改进。

    May, 2023

  • 神经对话模型和如何控制：失败和修复的调查

    探讨了基于强大语言模型的开放领域会话系统，从语言学角度解释了 Grice 的合作会话标准，并从使得贡献适切的角度系统化了相关文献：神经会话模型必须流畅、信息丰富、一致、连贯，并遵循社会规范。为了确保这些优势，近期的方法尝试通过干预数据、训练模式或解码等方面来控制底层语言模型，我们按照这些类别和干预点讨论了有前途的尝试，并为未来的研究提出了新的方向。

    Aug, 2023

  • 如果您愿意，请多聊聊：动态线索词计划以延长对话

    通过引入多轮提示词和强化学习方法来建立开放式的多轮对话系统，优化对话流程建模，提高生成响应的质量，相关实验结果验证优于竞争基线模型。

    Nov, 2018

  • 去除黄金标准：重新评估对话问答

    本文对目前最先进的对话问答系统进行了首次的大规模人类评估，发现人类与机器之间的对话存在显著差异。此外，基于预测历史的问题重写机制能够更好地与人类判断相一致。通过研究各种建模策略，讨论了构建更好的对话问答系统的未来方向。

    Dec, 2021