本研究提出一种基于变分方法的分段生成模型,使用两个序列潜状态变量分别表示响应的结构和内容风格,以探索响应中的隐含知识表达模式,并在两个基准测试中获得较好的评估结果。
Apr, 2022
本研究提出一个基于自我对话模型的评价过程,旨在寻找一种在不同注释人员之间具有更强鲁棒性的评级测试方案。经过实验证明,在这种方案下,我们可以在更快、更便宜的情况下推出新的测试标准并发布开源代码。
Sep, 2019
在知识驱动的对话背景下,我们探讨问题生成的可解释性和评估。通过在规划为基础的摘要生成工作的启发下,我们提出了一个模型,该模型先顺序预测一个事实,然后再预测一个问题,与仅生成问题的标准模型相比,虽然推理要求更高,但我们的方法在相关性、事实性和代词化方面的详细无参照模型行为评估方面表现相当。
Apr, 2024
本文提出一种基于自然语言的交易协商机制,使用层次对话行为和监督学习、强化学习或领域特定知识对策略进行灵活设置,并利用检索式生成来维持上下文感知性和产生多样化话语。结果表明我们的系统比之前的方法具有更高的任务成功率和更类人的谈判行为。
Aug, 2018
本文提出了一种基于动态多种知识融合的开放域聊天机器人模型,其中结构化的三元组来自知识图谱,非结构化的文本来自文档,并采用动态虚拟知识选择器和控制器以及新颖的动态知识内存模块来扩展知识空间,实验结果表明了方法的有效性。
研究人员提出了一种新型的对话系统,利用动态知识图谱嵌入技术,让两个带有私有知识的代理人进行协作对话,旨在达到某个共同目标,并经过了自动化和人工实验的验证,结果表明该模型与基线模型相比,不仅更有效地实现了目标,而且更加人性化。
Apr, 2017
该研究提出了一种自适应的多课程学习框架,用于训练神经对话生成模型。研究对话的复杂性,分析对话复杂性的多个方面,并在现有的 3 个语料库上进行实验。结果表明,该框架实现了较高的学习效率和有效性。
Mar, 2020
本文通过设计一种数据增强策略,运用神经问答检索模型,探讨了 Persona-Knowledge 的识别和响应生成任务,采用不同的解码技术进行对话生成,最终取得了 93.99% 的平均重合度和 23.62 分的 SacreBLEU 分数,成为当前 SOTA 的最佳实践。
Jul, 2022
本文提出了一种生成评估模型,评估由响应生成器生成的多个响应并由评估器选择最佳响应,以克服当前对话系统响应缺乏多样性的问题,并提高对话系统与用户的互动效果。人类评估结果表明,该模型的响应通常被认为比基线系统的响应更好,并且表明该方法的有效性。
Jun, 2022
本文提出了一个新的任务,旨在研究如何在神经会话模型中应用动态知识图谱,并提供了 DyKgChat 话语语料库来帮助评估动态知识图谱对响应生成的影响。为了支持动态知识图谱,我们提出了一个选取两个网络的初步模型:序列到序列模型 (Seq2Seq) 和多跳推理模型。我们引入了几种评估指标进行评测,并实验证明我们的方法优于以往的知识驱动对话模型。该文所提出的语料库和模型可激发未来的研究方向。
Oct, 2019