IJCAIJul, 2019

GraphFlow：利用图神经网络挖掘对话流程进行对话机器理解

PDF
TL;DR本研究提出了 GraphFlow 模型，通过图形结构学习技术及 Recurrent Graph Neural Network 有效捕捉了磋商历史，并引入流机制建模上下文图形的时间依赖关系，从而提高了对话流的捕获能力，对 CoQA、QuAC 和 DoQA 等基准测试表现具有竞争力，而且可为推理过程提供良好的可解释性。
conversational machine comprehensiongraph structure learningrecurrent graph neural networktemporal dependenciesinterpretability
发现论文，激发创造
  • FlowQA：历史流程掌握在对话机器理解中的应用

    本文介绍了 FlowQA，一种基于 Flow 机制的会话式机器阅读理解模型，该模型可利用中间表示来整合之前的问答对，将序贯指令理解降为会话式机器阅读理解，并且在多个任务中表现出卓越的性能。

    Oct, 2018

  • ChainCQG: 基于流感知的对话式问题生成

    本研究关注对话式问题生成作为一种产生训练和评估目的的合成对话的手段，并设计了 ChainCQG 作为一种跨多个对话回合学习问题 - 答案表征的系统，显著优于 SOTA 基线并能够生成各种类型的问题。

    Feb, 2021

  • 探索基于图神经网络的图结构段落表示在多跳阅读理解中的应用

    通过新方法引入更多的全局证据来连接更复杂的图表，并使用图神经网络进行证据融合，从而提高了问题解答的效果。

    Sep, 2018

  • GCNet：用于对话中不完整多模态学习的图形完形网络

    该研究提出了一种用于在对话中进行不完整多模态学习的新型框架，名为 “Graph Complete Network (GCNet)”，包含两个基于图神经网络的模块 'Speaker GNN' 和 'Temporal GNN' 来捕捉时间和说话者间的依赖关系。实验结果表明，相比于现有的最先进方法，我们的 GCNet 在不完整多模态学习方面表现得更好。

    Mar, 2022

  • 使用共指对齐和会话流建模的互联问答生成

    本篇研究探讨通过端到端神经网络模型实现高度会话类型的互动问答问题自动生成，该模型实现了两个重要方面的突破：（1）几乎有一半的问题都通过前面的对话历史使用指代引用数来生成；（2）连贯对话中不同回合中的问题需要流畅衔接匹配。

    Jun, 2019

  • FlowDelta: 建模对话机理解中信息获取的流动增益

    本文提出了一种显式建模对话推理信息增益的方法来更好地理解对话流程和理解其背后的上下文，其在 QuAC 和 SCONE 数据集上取得最先进性能，展示了该方法的有效性和其推广到不同 QA 模型和任务的能力。

    Aug, 2019

  • 对话图建模：用于会话式机器阅读的方法

    本文提出了一种对话图建模框架，通过 Discourse Graph、Decoupling Graph 和 Global Graph 三种图来提高机器对复杂问题的理解和推理能力，实现基于给定的规则文档、用户场景和对话历史的交互问答。

    Dec, 2020

  • 用图引导的多轮检索方法解决面向对话的开放领域问答

    本文提出了一种基于图模型和关联反馈的检索方法，用于连续的问答交互中提高检索效率和准确性。实验结果显示，与当前流行的方法相比，该方法大幅提高了问题回答的 F1 得分。

    Apr, 2021

  • 基于常识知识图谱导引的基础对话生成

    本篇论文提出一种新的对话生成模型，ConceptFlow，其利用常识知识图谱来显式地模拟对话流程，将对话基于概念空间来确定可能的转移方向，并通过图堆叠网络进行对话潜在流程的指导，以生成更有意义、更有语义信息的回应，证明了其在 Reddit 对话实验中的有效性，而且使用的参数数量比其他知识感知对话模型和基于 GPT-2 的模型少 70％。

    Nov, 2019

  • 通过动态图知识聚合增强对话生成

    本研究提出了一种基于知识图增强的对话生成框架，使用层级图注意力来聚合伪节点上的图特征，并填补文本和图知识之间的语义差距，并促使语言模型更好地选择知识三元组以获得更丰富的响应。

    Jun, 2023