EMNLPAug, 2019

FlowDelta: 建模对话机理解中信息获取的流动增益

PDF
TL;DR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。
conversational machine comprehensiondialogue flowdialogue reasoningcontext representationstate-of-the-art performance
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

  • GraphFlow：利用图神经网络挖掘对话流程进行对话机器理解

    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。

    Jul, 2019

  • 对话不是平面的：建模对话内容中动态信息流

    本文提出了 DialoFlow 模型，引入了动态流机制来模拟上下文的流动，并设计 3 个训练目标来捕捉大规模预训练中每个话语带来的语义影响，实验表明，DialoFlow 在对话生成任务中优于 DialoGPT。我们还提出 Flow 评分，这是一种有效的自动度量，用于评估基于预训练 DialoFlow 的交互式人机对话质量，与 11 个聊天机器人中的人类评分呈高聊天机器人级别的相关性（ $r=0.9$）。

    Jun, 2021

  • 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

  • FCM: 多轮对话推理的精细比较模型

    本文提出了 Fine-grained Comparison Model，该模型的比较机制可以关注每个响应候选项表示的微小差异，并通过将相关信号考虑到驱动模型偏好与演讲者历史逻辑一致的候选项来解决多轮对话推理中响应不一致的问题，实验证明该方法比基准模型具有更高的排名得分

    Sep, 2021

  • 学习语义图上的推理路径，为基于视频的对话建立基础

    使用 PDC 模型通过语义图的构建和路径预测，依据对话上下文进行推理，从而在多轮视频对话中检索视觉线索并有效回答问题。

    Mar, 2021

  • 推理与协作人工智能的构建基块

    通过引入 Flows 的概念框架，建立和研究结构化互动的系统化方法是非常重要的，研究表明结构化推理和协作能显著提高泛化能力，其中 AI Flows 的加成为 +21，人工智能和人类的协作加成为 +54（以解决率为指标），并且引入的 aiFlows 库可以支持快速且严谨的研究。

    Aug, 2023

  • 面向端到端口语问答的数据蒸馏技术

    本研究提出了一种新的口头对话问答任务，能够使问答系统对给定的语音话语和文本语料库建模，其中使用了新的统一数据精炼方法 DDNet 直接融合音频文本特征以减少语音识别错误率，同时运用 Spoken-CoQA 数据集评估系统的对话式互动能力，并在实验中取得了优异的性能表现。

    Oct, 2020

  • 如果您愿意，请多聊聊：动态线索词计划以延长对话

    通过引入多轮提示词和强化学习方法来建立开放式的多轮对话系统，优化对话流程建模，提高生成响应的质量，相关实验结果验证优于竞争基线模型。

    Nov, 2018

  • 在线多智能体流量联合微调

    在线联合微调流程的方法适用于复杂问题的解决方案生成，通过模拟器访问提供对决策的偏好，适用于多跳 QA 数据集 Musique 并取得最新成果。

    Jun, 2024