AAAIAug, 2019

全球思考，本地行动：基于背景对话的远程监督全局到局部知识选择

PDF
TL;DR该研究提出了一种全局到本地的知识选取机制，用于提高基于背景的对话系统中知识的选择效率，并且该机制通过远程监督学习模式进行训练，实验结果表明，它在自动评估和人工评估方面均明显优于现有的方法，且无须额外的注释，具有很高的可扩展性。
发现论文，激发创造
  • 基于背景的会话改进与上下文感知知识预选

    本研究提出了一种基于上下文感知的知识预选择模型，使用动态双向注意力机制来提高知识的选择，进而生成更具信息量和流畅的自然回复。实验结果表明，该模型在准确度和流畅度上都优于当前最先进的方法。

    Jun, 2019

  • 基于图的任务对话系统知识选择器

    本论文基于当代最先进的语言模型构建了 Graph-Knowledge Selector（GKS）来解决对话系统中知识选择的问题，并考虑了知识之间的联系，明显优于 Ninth Dialog System Technology Challenges（DSTC9）中提出的几种最新技术模型。

    Dec, 2021

  • 通过文档语义图增强基于信息场景的对话知识选择

    本研究提出了一种将对话模型中的背景知识文档自动转换为文档语义图以对其进行知识选择，并联合应用多任务学习来改善句级和概念级知识选择的方法，并通过实验证明其在诸如 HollE 和 WoW 等领域的知识选择任务和端对端响应生成任务上均优于基于句子选择的基线模型，并且在看不见的话题上改进了泛化能力。

    Jun, 2022

  • 基于知识的对话生成知识选择

    本文提出了一种生成式方法，名为 GenKS，用于在基于对话历史的语境下选择适当的知识片段，该方法通过序列到序列模型生成标识符来选择片段，捕捉片段之间的内部知识交互，并通过超链接机制显式地建模对话 - 知识交互，同时在三个基准数据集上进行实验并证明 GenKS 在知识选择和响应生成方面取得了最佳结果。

    Apr, 2023

  • 千人千村：个人记忆增强的基于知识的对话

    本文介绍了将个人记忆引入知识选择的方法，以解决个性化的问题，采用变分方法建模个人记忆与知识选择之间的关系，并设计了一种学习方式，其中包括了从个人记忆到知识的前向映射和其逆向映射。实验证明，我们的方法在自动评估和人类评估方面都显著优于现有的知识驱动对话方法。

    Apr, 2022

  • 面向知识驱动对话的顺序潜知识选择

    论文提出了一种名为 `SKT` 的序列潜变量模型，该模型可提高多轮对话的知识选择准确性，并相应地改进了话语生成的绩效；实验结果表明，该模型在大规模对话评估中取得了最先进的表现。

    Feb, 2020

  • 对话生成的上下文知识学习

    本文提出了一种基于上下文和知识加权的对话生成模型训练方法，通过 Contextual Knowledge Learning (CKL) 过程，使用上下文和知识的潜在向量进行弱监督，从而实现对加权模型的训练，实验表明 CKL 方法可以有效提高模型性能并且在训练集较小的情况下能够保持稳健的性能。

    May, 2023

  • 基于知识的对话生成：对抗性多参照学习中不存在标准答案

    提出一种多参考知识对话模型 (KGC)，为了提高知识选择与生成的多样性，建立了一个多重参考的 KGC 数据集，并提出了一系列测量现有 KGC 模型效力的指标，使用基于跨度的变分模型并以改进的证据下界目标进行优化，以学习一对多泛化关系，该方法在机器和人工评估中均表现出良好的效力。

    Oct, 2022

  • 利用主题感知的全局和局部中心性提升对话摘要

    这篇文章提出了一种新颖的主题感知的全局局部中心性（GLC）模型，该模型可以在对话中选择最显著的语境，并能够准确地从子主题中识别关键内容，实验结果表明，该模型在对话摘要数据集上的表现优于强基线。

    Jan, 2023

  • 利用背景知识构建对话系统

    为了训练自然对话模型，作者创建了一个新的包含电影聊天信息和相关背景知识的数据集，并使用三种不同的模型对这个数据集进行了基准测试。

    Sep, 2018