Jun, 2019

面向基于检索的聊天机器人的文档引导匹配网络对话选取

PDF
TL;DR本研究提出了一种基于文档匹配的网络对话模型 (DGMN)，用于支持知识感知的基于检索的聊天机器人系统，在匹配过程中，通过信息融合和层次交互，动态确定文档和上下文的关键信息，实验结果表明，该模型能够显著提高现有方法的表现，并具有良好的可解释性。
发现论文，激发创造
  • 面向基于检索的聊天机器人的个性化响应选择的双重交互匹配网络

    本文提出了一种具有双重交互匹配的匹配网络 (DIM)，用于在基于检索的聊天机器人中展示对话代理的个性。实验结果表明，DIM 模型以及其双交互匹配优于基线模型，即带有人物融合的 IMN，的精度提高 14.5％，并且在 top-1 的准确性 hits@1 方面优于当前最先进的模型。

    Aug, 2019

  • 文档驱动对话的粗细知识选择

    本文提出了 Re3G 方法，旨在统一粗粒度知识检索与细粒度知识抽取，以改进多文档对话系统中回答用户请求的效率与准确性。通过在 DialDoc Shared Task 上的实验，证明了该方法的有效性。

    Feb, 2023

  • DyKgChat: 基于动态知识图谱的对话生成基准测试

    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

  • 评估信息查询对话中基于文档的响应生成的大型语言模型

    该论文研究了在信息寻求对话中使用大规模语言模型（LLMs）如 ChatGPT 进行基于文件的响应生成。通过人工评估我们发现，ChatGPT 变种虽然有可能插入不在相关片段中的信息，可能存在错觉，但评分比共享任务获胜系统和人工响应更高。

    Sep, 2023

  • 在信息交互对话系统中使用深度匹配网络和外部知识进行响应排名

    该研究提出了一种在深度神经匹配网络上利用外部知识进行响应排序的学习框架，实验证明，该方法在包括商业数据在内的三个信息寻求对话数据集上优于各种基线模型，包括多个深度文本匹配模型和多轮对话响应选择的最新方法。

    May, 2018

  • 基于文档图网络的多跳问答支持事实识别

    本文提出了文档图网络（DGN），一种用于识别文本的支持事实的消息传递架构，该架构基于图形式表达的文本结构表示。在 HotpotQA 的评估中，DGN 在多跳推理任务中获得了与基于阅读理解的基线模型相当的结果，证实了结构化表示对于支持多跳推理的相关性。

    Oct, 2019

  • Sequential Matching Network: 基于检索的聊天机器人中多轮对话响应选择的新架构

    使用顺序匹配网络（SMN）解决对话中响应选择的问题，该网络通过循环神经网络（RNN）建立了对辞话关系的建模并比现有工作取得更好的响应选择结果。

    Dec, 2016

  • 面向文档相关对话的数据集

    本研究介绍了一个文档驱动的文本对话数据集，包含关于热门电影的维基百科文章，利用两种神经网络模型对话，结果表明这种方法引入了更多信息，提高了生成回答的流畅度和吸引力。

    Sep, 2018

  • 基于动态多形式知识融合的开放域对话生成

    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。

    Apr, 2022

  • UniGDD: 一个面向目标的文档驱动对话的统一生成框架

    本文提出了一种基于文档的对话方法，通过生成理解文本的知识与回答用户提问，逐步消除错误传播问题，并采用温度调度方法减少文档信息的负面影响，实验结果证明了多任务学习策略的有效性。

    Apr, 2022