ACLJun, 2019

利用话语重写提高多轮对话建模

PDF
TL;DR该研究提出了一种将人类话语重写作为预处理方法，以帮助多轮对话建模。使用指针网络提出的基于 Transformer 的话语重写架构训练的话语重写器可以轻松地集成到在线聊天机器人中，并在不同领域带来一般性能的提升。
multi-turn dialogue modellingcoreferenceutterance rewritingtransformer-based architectureonline chatbots
发现论文，激发创造
  • 多轮对话中的对比学习句子重写

    该论文介绍了如何使用对比学习和多任务学习相结合的方法来提高上下文建模中的缺失语句重写系统的目的。实验表明，该方法在几个公共数据集上均达到了最先进的性能。

    Mar, 2022

  • 无监督的上下文重写技术，用于开放领域对话

    采用明确的语境重写方法，基于强化学习的上下文重写网络有助于候选检索，可解释的上下文建模以及在多轮会话中使用单轮框架。

    Oct, 2019

  • 使用深度话语聚合建模多轮对话

    本文研究基于信息检索的跨度多轮对话系统以往语句的上下文建模的问题，提出将以前的话语通过一种深度聚合模型聚合成细粒度的上下文进行表示。实验结果表明，与现有的最先进的方法相比，该模型在三个多回合对话基准测试中表现更优秀。

    Jun, 2018

  • 针对多轮对话的话语感知和说话人感知表示填充

    本文提出了一种新型方法，旨在通过建模对话历史中蕴含的有效话语意识和发言人意识表示，从而解决现有基于检索的多轮对话建模中针对言语和说话人角色的细粒度表示不足的问题，并在四个公共基准数据集上显著提高了 ELECTRA 基线的性能，达到了多种新的最新性能。

    Sep, 2020

  • 通过话语改写提高机器人响应矛盾检测的效果

    为了改进聊天机器人中的矛盾检测，本文提出了一种通过重写聊天机器人发言来还原先行词和省略号的方法，并在相应的数据集上建立了模型，实证结果表明该模型能够显著提高矛盾检测性能。

    Jul, 2022

  • 语义角色标注引导下的多轮对话重述

    该研究提出使用语义角色标注为多轮对话改写提供指导，达到更好的性能，实验证明这可明显提高 RoBERTa 模型性能。

    Oct, 2020

  • 基于语义分割的未完整话语改写

    本研究提出一种将不完整话语改写问题表述成语义分割问题，通过预测单词级别的编辑矩阵来引入编辑操作，能够捕捉到局部和全局信息，取得了多个公共数据集上的最新成果。此外，我们的方法在推理中比标准方法快四倍。

    Sep, 2020

  • 鲁棒对话话语改写的序列标注

    该论文提出了一种基于序列标注的对话重写模型，通过在 REINFORCE 框架下注入 BLEU 或 GPT-2 等损失信号，提高了生成语句的流畅度，进而在领域转移方面显示出比当前最先进系统更大的改进。

    Dec, 2020

  • 3M-TRANSFORMER：用于体现式交替预测的多级多轮多模态 Transformer

    使用基于 Transformer 的新型多模态架构来预测具有多视角的、同步的交互数据中的轮替情况，在已引入的 EgoCom 数据集上进行实验，与现有的基线和替代基于 Transformer 的方法相比，平均性能显著提升了最高达 14.01%。

    Oct, 2023

  • 对话处理的在线共指消解：提高即时对话中的提及链接

    本文提出了一种针对在线解码的指代消解方向，其针对包含对话在内的实时生成输入的场景，在每个对话轮次上，该模型接受一个话语和其过去的语境，然后查找当前话语中的提及以及它们的指代。该文章提出了基线和四个增量更新的模型，适应于提到链接范式的新设置，其中包括单一实例、说话人定位编码和跨轮次提及的情境化。在 Friends、OntoNotes 和 BOLT 这三个数据集上评估我们的方法，结果表明每个方面都带来了稳定的改进，我们最好的模型比基线高出 10％以上，是这个场景的一个有效系统。进一步分析突出了任务特点，例如解决提及回忆的重要性。

    May, 2022