Jun, 2019

基于背景的会话改进与上下文感知知识预选

PDF
TL;DR本研究提出了一种基于上下文感知的知识预选择模型，使用动态双向注意力机制来提高知识的选择，进而生成更具信息量和流畅的自然回复。实验结果表明，该模型在准确度和流畅度上都优于当前最先进的方法。
background based conversationsgeneration-based methodscontext-aware knowledge pre-selectionbi-directional attentioninformative
发现论文，激发创造
  • 全球思考，本地行动：基于背景对话的远程监督全局到局部知识选择

    该研究提出了一种全局到本地的知识选取机制，用于提高基于背景的对话系统中知识的选择效率，并且该机制通过远程监督学习模式进行训练，实验结果表明，它在自动评估和人工评估方面均明显优于现有的方法，且无须额外的注释，具有很高的可扩展性。

    Aug, 2019

  • 利用背景知识构建对话系统

    为了训练自然对话模型，作者创建了一个新的包含电影聊天信息和相关背景知识的数据集，并使用三种不同的模型对这个数据集进行了基准测试。

    Sep, 2018

  • 通过文档语义图增强基于信息场景的对话知识选择

    本研究提出了一种将对话模型中的背景知识文档自动转换为文档语义图以对其进行知识选择，并联合应用多任务学习来改善句级和概念级知识选择的方法，并通过实验证明其在诸如 HollE 和 WoW 等领域的知识选择任务和端对端响应生成任务上均优于基于句子选择的基线模型，并且在看不见的话题上改进了泛化能力。

    Jun, 2022

  • RefNet: 基于背景的对话参考感知网络

    本文介绍了一种基于语义引用的方法，使用 Reference-aware Network (RefNet) 从背景信息中直接引用包含完整语义信息的语义单元，帮助生成更加自然和人性化的响应，实验结果表明 RefNet 在自动和人工评估方面都表现出比现有技术更优秀的性能。

    Aug, 2019

  • 对话生成的上下文知识学习

    本文提出了一种基于上下文和知识加权的对话生成模型训练方法，通过 Contextual Knowledge Learning (CKL) 过程，使用上下文和知识的潜在向量进行弱监督，从而实现对加权模型的训练，实验表明 CKL 方法可以有效提高模型性能并且在训练集较小的情况下能够保持稳健的性能。

    May, 2023

  • CokeBERT: 基于上下文知识选择和嵌入的增强预训练语言模型

    本文提出了一种名为 Coke 的新型框架，它可以动态地选择上下文知识和嵌入知识上下文，以用于 PLMs，该框架可避免无法匹配输入文本的冗余和模糊知识的影响，实验结果表明，Coke 比各种基线模型在典型的知识驱动 NLP 任务上表现更好，并且能以更可解释的形式描述文本相关知识的语义。

    Sep, 2020

  • 融合会话历史和候选来源进行上下文响应排序的对话系统中的 FCC

    本论文提出了一种灵活的神经网络框架，利用上下文信息从多个渠道进行整合来提高多轮对话响应排序的性能。在 MSDialog 数据集上的实验结果表明，我们的框架显著优于先前的最先进模型，提高 Recall@1 7％和 MAP 4％。

    Mar, 2023

  • 基于上下文关注机制的口语会话问答知识转移

    该研究提出了一种名为 CADNet 的方法，该方法使用上下文化注意力分层蒸馏技术，从而在 SCQA 任务中更好地抵御 ASR 噪声，最终在 Spoken-CoQA 数据集上实现了显著性能提升。

    Oct, 2020

  • 井井有条：面向知识驱动对话的生成器无关知识预选择

    GATE 是一种生成器无关的知识选择方法，它通过在不同的知识结构和可变的知识需求中选择与上下文相关的知识来为后续的响应生成模型准备知识，实验证明 GATE 的优越性，表明生成前的知识选择是一种轻量且有效的方式，可以促进 LLMs 生成更具信息量的响应。

    Oct, 2023

  • 基于差异性的知识选择在知识驱动对话生成中的应用

    该论文提出了一种差异感知的知识选择方法，通过将候选知识句子与前几轮选择的知识句子之间的差异信息与上下文信息相融合或分离，从而实现更加准确的知识选择，大幅度优于现有技术基线。

    Sep, 2020