构建智能开放领域对话系统的挑战
本文提出修改对话系统,使其能够学习的方法,并讨论了如何从对话中提取知识、更新代理的语义网络并以行动和观察为基础。希望引起人们对该领域的关注,并成为未来研究的重点。
Feb, 2022
本研究分析了神经网络开放领域对话系统所学习的内部表示,并评估了这些表示的质量以学习基本的交谈技巧。结果表明,标准的开放领域对话系统难以回答问题、推断矛盾并确定对话话题等任务,需要更多的研究来探讨建筑和训练方法,从而更好地捕捉有关对话的高级信息。
Jun, 2020
该论文讨论了构建一个引人入胜的开放领域对话代理所必需的特质,研究成果以及未来的发展空间。特别是,讨论了不断学习、提供引人入胜的内容和良好行为的特性,以及如何衡量其成功。最后总结了作者的经验和建议。
Jun, 2020
本文探讨了任务导向对话系统的最新研究进展和挑战,特别在三个关键领域进行了深入讨论:提高数据效率、模拟多回合动态以优化任务完成性能,以及将领域本体知识与对话模型集成。此外,还评估了最近的对话进展和一些常用的语料库。我们相信,这虽然不是一个完整的调查,但它仍然可以为未来任务导向对话系统的研究提供启示。
Mar, 2020
本研究旨在解决将角色赋予开放领域对话系统的问题,并提出了一个高效的数据收集框架,借助大规模语言模型的上下文少样本学习来构建满足角色约束的对话数据集。在此基础上,通过比较不同架构的开放领域对话系统,在保持其会话能力的同时满足角色约束。研究结果消息表明,我们的模型返回少量越界言论,在一般指标上保持竞争力。
Apr, 2022
本文介绍了一种通过模仿社交媒体上的非正式互动改善系统的原始会话能力的方法,并利用 Reddit 上的过滤评论数据作为 seq2seq 生成器的额外上下文,以提高开放域对话系统的能力。
Jun, 2022
研究智能助手是否可以匹配用户的聊天意图,构建了新的数据集以及使用推特和 Web 搜索查询来处理无特定领域的用户发言,实验结果表明,使用 tweets 和 Web 搜索查询可以进一步提高智能助手的 F1 分数。
May, 2017
探索如何从社交对话到任务导向对话的平滑转换,为触发商业机会提供支持。提出了一个自动生成对话的框架,并在此基础上发布了一个大规模数据集,该数据集为未来的研究和商业活动提供了巨大的潜力。
Apr, 2022
本篇论文描述了借助不同的搜索和结构化数据源,如何帮助 SlugBot 产生对话回合并进行长达 8 分钟 17 秒的对话,从而以应对持续的多轮对话等挑战性问题。
Sep, 2017
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