ACLJun, 2019

通过阅读进行对话：基于需求的机器阅读的内容丰富的神经对话

PDF
TL;DR我们提出了一种新的端到端方法，用于内容丰富的神经会话，它将响应生成和按需的机器阅读共同建模，通过在飞行时向对话模型提供相关的长形文本作为外部知识源，每次进行问答式阅读来响应每个对话轮换，支持进一步的知识基础会话研究，我们介绍了一个新的基于外部网页的大规模会话数据集（2.8M 轮，7.4M 语句），人类评估和自动指标表明，我们的方法相对于各种先前方法，可以获得更加富有内容的响应，从而提高所生成的输出的信息量和多样性。
neural conversation modelsresponse generationmachine readingexternal knowledgelarge-scale conversation dataset
发现论文，激发创造
  • 基于知识的神经对话模型

    本文针对神经网络模型生成内容不足的对话应用展开了研究，提出了一种全新的、基于数据和知识驱动的神经对话模型，该模型通过同时考虑历史对话和外部 “事实” 来生成更有用的回应，实验证明该方法在开放领域中具有广泛应用前景，相较于基线模型的 Seq2Seq 方法，能够显著提高输出的信息量。

    Feb, 2017

  • 神经对话模型

    通过序列到序列框架，一种简单的端到端的对话模型方法被提出，在特定的领域和大规模通用领域的数据集上表现出很好的对话效果，并可用于执行常识推理任务。

    Jun, 2015

  • 面向对话代理的持续学习

    本文介绍了一种基于最新的神经网络连续学习技术的领域无关的神经对话模型，同时提出了一种新颖的神经连续学习算法，能够以数据 - 效率的方式跨越不同任务积累技能，在客户支持领域通过从合成对话或人类之间的对话到人 - 计算机对话的连续技能转移来验证方法的功效。

    Dec, 2017

  • 教授机器阅读和理解

    本篇论文提出了一种新方法，通过大规模监督学习从而提供阅读理解的数据集，开发了一类基于注意力机制的深度神经网络，使其能够在没有先前语言结构知识的情况下阅读真实文档并回答复杂问题。

    Jun, 2015

  • 神经机器阅读理解综述

    本文旨在介绍如何利用神经网络来构建阅读器，并介绍了一些经典模型，分析了它们所做出的改进，同时指出现有模型的缺陷和未来的研究方向。

    Jun, 2019

  • 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

  • 句子级别课程学习以改进神经对话模型

    为了与人类用户进行对话，需要设计能够进行人机交互的机器智能，因此会话建模是自然语言处理中的重要任务。一个新的机器会话模型使用了逐渐构建的句子结构和复杂度的培训方法来模拟人类学习的构建过程，其通过按照先 “短” 后 “长” 的句子对训练，最终比标准文本准备训练的模型具有更低的验证误差。

    May, 2023

  • 会话问答内容理解的实证研究

    该论文研究基于对话问答模型中标准数据集对模型的语义理解能力的反应度以及对话内容对模型回答问题的影响，并指出了 QuAC 和 CoQA 两个常用数据集的一些 潜在问题及其存在的偏见。

    Sep, 2019

  • 利用潜在知识和对话上下文实现真实世界会话问答

    该论文提出了一种基于神经检索 - 阅读 (Retrieval-Reading) 系统和基于 TFIDF 的文本摘要技术来利用先前的谈话历史中的潜在知识的方法，以便更好地回答问题，并且实验证明该系统显著提高了回答质量。

    Dec, 2022

  • 关键词引导的神经对话模型

    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