ACLApr, 2019

一个基于虚拟人的多轮对话模型的对抗学习框架

PDF
TL;DR本文探讨了基于人物形象的序列到序列（Seq2Seq）神经网络会话模型在多轮对话场景下的应用，提出了一种称为 phredGAN 的新系统，其中包含基于人物形象的 HRED 发生器（PHRED），以及有条件的鉴别器，并且对多但弱属性模态（如 Big Bang Theory 和 Friends）和少但强属性模态（Ubuntu 数据集中的客户代理交互）的数据集采用了两种不同的 phredGAN 变体进行实验。
multi-turn dialogueneural network conversation modelattribute modalitiespersona-based hred generatordual discriminator system
发现论文，激发创造
  • 对抗学习框架下的基于角色的多轮对话模型

    本文旨在通过引入额外的输入模式来捕捉多轮对话中的其他属性 (例如说话人身份、位置、子主题等), 来扩展基于人物的 Seq2Seq 神经网络对话模型，同时修改了现有的 hredGAN 架构。通过比较在多轮对话语料库 (如 Big Bang Theory 和 Friends 的电视剧系列和 Ubuntu 对话语料库的客户服务交互数据集) 上的表现，我们证明了 resulting persona hredGAN ($phredGAN$) 在当这些外部属性的情况下比现有的基于人物的 Seq2Seq 和 hredGAN 模型更优秀，表现出更好的对话生成效果和表达一致性。

    Apr, 2019

  • 对抗学习框架下的多轮对话生成

    本文提出了一种对话生成的敌对学习方法，基于条件生成式敌对网络，生成器是修改后的层次循环编码器 - 解码器网络，鉴别器是与生成器共享上下文和词嵌入的字级双向循环神经网络，在 Ubuntu 对话数据集和电影三元组数据集上表现出更好的性能和更长、更丰富、更具相关性的自动生成回应。

    May, 2018

  • 智能代理的对抗性对话塑造

    通过对抗对话塑造探究了两个模型 —— 生成对抗网络与策略梯度（GANPG）和生成对抗网络每个生成步骤进行奖励的模型（REGS），来提升智能对话代理的性能。讨论了使用不同训练细节（seq2seq 和 transformers）在强化学习框架下的表现。

    Jul, 2023

  • 基于深度神经网络的逼真面对面对话系统

    本文提出了一种基于序列到序列模型和基于生成对抗网络的真实人物合成器的创新面对面对话系统，该系统在 ESPN 节目数据上训练和评估显示出可以生成自然面部表情和逼真的面部图像。

    Aug, 2019

  • 具有隐式用户人设检测的个性化对话生成器

    提出了一种基于用户人格检测的个性化对话生成器，该方法使用条件变分推理建立用户潜在人格模型并利用后验鉴别正则化提高训练效果，在实证研究中实现比现有技术更高的对用户人格关注和提升了对话品质的效果。

    Apr, 2022

  • DLGNet：基于 Transformer 的对话回复生成模型

    本文介绍基于 transformer 模型的 DLGNet，用于多轮对话生成，实验结果显示 DLGNet 显著优于现有模型且在评估指标方面表现最佳，主要因为长程 transformer 模型的结构和注入随机信息填充的组合。

    Jul, 2019

  • 个性化对话生成与多元特征

    本研究旨在研究将个性特征应用于对话生成中以提供个性化对话的问题，并提出了一种基于关键 - 值对的嵌入式特征融合模块和两种新颖的特征感知机制，即基于对话者的关注机制和基于对话者的偏置机制，并构建了 PersonalDialog 数据集，该数据集包含来自海量讲话者的具有不同特征的大量多轮对话。实验结果表明，所提出的模型能够在不同情境下处理适当的特征。

    Jan, 2019

  • 借助大语言模型生成忠实的以人为基础的对话数据集

    通过建立 Generator-Critic 架构，使用 LLM 生成会话，借助 Synthetic-Persona-Chat 评估了高质量对话数据集对 NLP 模型的影响。

    Dec, 2023

  • 基于角色的神经对话模型

    本文介绍了基于人物角色的模型来处理神经响应生成中的发言人的一致性问题。这些模型在分布式嵌入中编码人物角色，以捕捉个体特征，如背景信息和口语风格。在两个交流者之间捕捉交互属性的暂态发言人 - 被称呼者模型。我们的模型提高了感性和 BLEU 得分，在发言人的一致性上也有类似的提高。

    Mar, 2016

  • EnsembleGAN: 短文本对话检索生成集成模型的敌对学习

    在开放领域对话情景中，提出了一种敌对学习框架 ensembleGAN，用于增强检索 - 生成集合模型，该模型由生成器、排名生成器和排名鉴别器组成，通过学习生成更加相关的响应、高质量候选对抗响应、以及真实响应的识别与区分，实现了两种生成器的优点。实验结果表明了 ensembleGAN 在人工和自动评估度量上的优越性。

    Apr, 2020