ACLJun, 2019

基于事件因果和角色因素张量事件嵌入的对话响应重新排序

PDF
TL;DR本文提出了一种基于事件因果关系的对话历史和候选回复之间的相关性重新排名算法，可用于选择连贯而多样的回复，采用基于角色因子张量模型的分布式事件表示来匹配事件因果关系，实验结果表明，该方法提高了系统响应的连贯性和对话连续性。
dialogueresponse selectionevent causalitydistributed event representationconversation modeling
发现论文，激发创造
  • 面向任务的对话系统的上下文感知对话重新排序

    提出了一种上下文感知的对话响应重新排序系统，使用神经词嵌入模型和手工或逻辑回归模型，将响应在与当前对话上下文的匹配分数和候选人的概率分布的基础上重新排名，提高了最近提出的端到端任务导向对话系统在具有语音识别错误的实际对话中的性能。

    Nov, 2018

  • 会话上下文线索：以个性化和历史为例的反应排序

    利用 Reddit 数据集，我们在多方参与、自由结构的多轮对话中研究了不同结构元素对话建模的影响，并训练了深度神经网络来预测对话的下一句。我们发现，对话的上下文和参与者的历史信息都对预测准确性有所提高。

    Jun, 2016

  • 针对医疗史采集的对话语境重新排序

    本文提出了一种两阶段的重新排序方法，通过使用对话上下文模型重新排序第一阶段问题的候选项来帮助弥合训练 - 推断差距，从而解决了由于现有系统使用间接数据或专家知识开发而导致的模型训练 - 推理鸿沟问题，并发现相对于专家系统，我们所提出的全局重新排序器结合转换器骨干的最佳性能，导致 30％更高的标准化折扣累积增益（nDCG）和 77％更高的平均精度（mAP）。

    Apr, 2023

  • 使用因果推论模型改进开放领域对话评估

    本文探索了预测针对开放领域对话的专家和用户评分的自动化方法，比较了四种不同的方法，其中提出的 counterfactual-LSTM (CF-LSTM) 模型在对话评分和分类方面的表现最好。

    Jan, 2023

  • 社交对话的神经响应排名：一种数据高效的方法

    本文提出了使用神经排序器从未标记的数据中有效地训练社交对话系统的方法，并展示了使用该方法通过优化长度作为目标的排序器在性能上优于优化用户评级的排序器，从而可简化未来社交对话代理的数据收集。

    Nov, 2018

  • 提高事件时间关系提取的准确性：抽取还是猜测？

    本文提出了两方面的方法以提高 TempRel 的准确性，即进行反事实分析以减轻训练偏见的影响和提供不确定性估计并在文本中描述关系。在 MATRES，MATRES-DS 和 TDDiscourse 上的实验分析表明，我们的模型相对于 SOTA 方法更具有忠诚度，特别是在分布转移下。

    Oct, 2022

  • 利用事件嵌入学习语义脚本知识

    通过计算谓词和它们的论元的分布式表示，然后使用这些表示来预测原型事件排序，我们的方法从文本中联合估计计算事件表示和模型的排序组件的组合过程参数，证明此方法相较于以往的方法在排序性能方面有明显提升。

    Dec, 2013

  • 利用自动会话评估器实现连贯和引人入胜的口语对话响应生成

    本研究提出一个评估聊天机器人响应的系统，利用明确的反馈机制改进神经响应图生成模型，从而获得更具连续性和参与度的响应。

    Apr, 2019

  • 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

  • 从电影场景中无监督归纳出特定事件对

    本文关注了人类在叙事中的推理行为，提出了一种基于无监督方法和借鉴先前工作的事件对概率建模的方法，通过利用网络搜索数量和人类判断的连续性来提高准确率。

    Aug, 2017