面向目标的开放域对话
本研究提出 Target-Guided Open-Domain Conversation Planning(TGCP)任务,通过对现有的检索模型和最近的强生成模型进行实验验证发现,当前技术面临的挑战是缺少神经会话代理人的目标导向的对话规划能力。
Sep, 2022
本文提出了一种基于常识的关键词导向神经对话模型,通过外部常识知识图谱实现关键词的转移和响应检索,实现对话更快地到达目标关键词,自我对话和人类评估表明我们的模型产生的响应关键词转移更平稳,比竞争基线更快地到达目标关键词。
Dec, 2020
采用结构化方法和基于语义知识的动态知识路由网络的讨论主题预测,提高了面向目标引导的开放域讨论中关键词的预测效果并大幅提高了成功率。此外,引入了一个新的规模较大的中文目标引导开放域讨论数据集(超过 900K 次会话),提供更具代表性的评估。
Feb, 2020
使用 Topical-Chat 数据集,我们训练了多个最先进的编码器 - 解码器对话模型,并进行了自动化和人工评估,以帮助在开放领域对话人工智能方面的进一步研究。
Aug, 2023
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
通过使用角色扮演方法构建自动数据集策划框架,我们提出了一个大规模的个性化目标导向对话数据集,TopDial,该数据集包含约 18K 个多轮对话,实验结果表明该数据集具有高质量,可用于探索个性化目标导向对话。
Oct, 2023
本文介绍了一种新的针对目标引导的响应生成技术,它使用共识知识概念的桥接路径作为中间步骤,实现对话系统转向目标句子的平滑过渡,用以创造非侵入式的建议或引入对话新话题,并说明了一种更可靠的评估指标,推进对话系统设计者对对话控制的更加有效实施。
May, 2022
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