ACLJul, 2019

使用最小的人类代理和最大的用户任务成功学习端到端面向目标的对话

PDF
TL;DR该研究提出了一种可端到端训练的神经目标导向对话系统方法，能通过智能地将对话转移给人工服务代理来处理新用户行为。该方法的三个目标是：最大化用户任务成功率，最小化对人工服务代理的负担，并通过人工代理的反馈进行在线学习，以进一步减轻其负担。实验结果表明所提出的方法能够有效实现这些目标。
发现论文，激发创造
  • 端到端目标导向对话学习

    本文提出了一个测试平台，以研究在特定场景下 end-to-end 对话系统的性能，通过实验比较其与手工设计的系统的相似性及差异性。结果表明，end-to-end 系统基于记忆网络能够实现目标，但仍存在缺陷。

    May, 2016

  • 目标导向对话中的个性化

    本文提出了一种基于个人资料的目标导向对话数据集，结合修改内在神经系统结构、使用多任务学习的方法，将个性化应用于对话系统。

    Jun, 2017

  • 端到端可训练任务导向对话系统中的人类教学与反馈对话学习

    本文提出了一种混合式学习方法以通过在线用户交互来训练任务导向型对话系统，该方法包括强化学习和模仿学习，通过神经网络来优化并能够从用户教学中进行学习。实验结果表明，该端到端对话代理能够有效地学习并通过用户反馈了解自己的错误，并在模仿学习阶段之后应用强化学习提高完成任务的能力。

    Apr, 2018

  • 个性化端到端目标导向对话学习

    本文提出一种个性化的端到端模型，以应用个性化技术来解决对话系统中的一些悬而未决的问题。该模型结合了 “个人资料模型” 和 “偏好模型” 两个子模型，并实践证明其在对话系统任务完成率和用户满意度等方面取得了良好表现。

    Nov, 2018

  • 基于网络的端到端可训练任务导向式对话系统

    本文介绍一种基于神经网络的端到端可训练的目标导向对话系统，以及一种新的数据收集方法，该方法基于一种新型的管道式 Wizard-of-Oz 框架。该方法可用于开发对话系统，帮助用户在餐厅搜索领域自然地交流并完成任务。

    Apr, 2016

  • 使用多个答案学习端到端面向目标的对话

    该研究工作关注基于目标导向的对话系统中的问题，提出了一种使用监督学习和强化学习方法的新方法，并引入了多个有效的下一个话语来评估具有更现实设置的目标导向性对话系统。通过引入多种有效的下一个话语，该文改进了原始 bAbI 对话任务，现有的端到端神经方法的表现从原始 bAbI 对话任务的 81.5% 下降到 permuted-bAbI 对话任务的 30.3%，而其提出的方法则取得了 47.3% 的准确度。

    Aug, 2018

  • 基于迁移学习的目标驱动聊天机器人对话管理引导

    本文使用迁移学习方法改善目标导向聊天机器人的高质量训练数据的不足，以提高其成功率，并展示该方法与其他处理方法的综合应用可取得最佳结果。

    Feb, 2018

  • 目标驱动和视觉对话系统的全流程优化

    本文介绍了一种基于深度强化学习的方法，使用策略梯度算法来优化基于任务且与视觉相关的对话，该方法在通过 Mechanical Turk 收集的 12 万个对话数据集上进行了测试，并提供了鼓舞人心的结果，可以解决生成自然对话和在复杂图像中发现特定对象的问题。

    Mar, 2017

  • 面向任务对话的用户建模

    本论文提出一种基于神经网络的端到端用户仿真模型，用于对话系统的自动评估和训练，采用分层序列到序列模型，并利用隐变量模型引入随机变化，以提高仿真用户响应的多样性，并制定了目标正则化机制，以惩罚用户对初始用户目标的偏离。

    Nov, 2018

  • 朝向自学习的端到端任务导向对话系统

    本文研究了如何通过自学习的方式使得 Task Bots 自适应于动态环境，并提出了 SL-AGENT 框架，该框架包含一个对话模型和一个预训练的奖励模型，能够在无需或最小化人工标注的情况下通过强化学习在人机交互中学习，并在自动和人工评估中证明其有效性。

    Jan, 2022