MOSS: 带模块监督的端到端对话系统框架
本文介绍了一种基于强化学习的新型端到端对话系统学习框架,用于解决模块化任务完成功能对话系统在训练和使用中面临的挑战。研究的实验表明,该端到端系统不仅在客观和主观评估中优于传统的模块化对话系统基线,而且在处理语言理解模块的各种误差时具有稳健性。
Mar, 2017
采用神经模块化方法,提出一种多专家一体的对话生成器,利用 TokenMoE 模型实现训练,相较于单模块模型,具有更高的 inform 和 success rate
Jul, 2019
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
通过使用一组专家混合集成方法,提出了 SMETOD 任务导向对话系统,其中可以优化子问题的结果并为任务导向的对话生成专业化输出,这样既能扩展对话系统又能保持推理效率,并在多项指标上实现了最先进的性能。
May, 2024
本研究提出,在末端到末端的对话系统学习框架中包含通过多模式信息获取的用户情感信息,以使系统更具用户适应性和效果。结果,这项工作是在自适应末端到末端对话系统训练框架中首次尝试将多模式用户信息纳入其中并达到最先进的表现。
Apr, 2018
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
本文介绍了我们的 Track 2 模型,利用大规模真实世界的 MobileCS 中国 TOD 数据集,使用半监督学习和强化学习构建知识引导的对话模型,实现了任务导向对话系统的高效预测和人机交互。我们的系统在自动评估和人工交互中表现都极佳,尤其是 BLEU (+7.64) 和 Success (+13.6%) 方面比第二名更优秀。
Oct, 2022
本文提出了 MoSS 算法,它是基于上下文自监督任务表示学习的元强化学习算法,能够在非参数任务分布、非静态任务和分布任务等方面实现先进的数据效率和适应能力。
Apr, 2023
本文研究了利用半监督学习方法在构建神经对话系统时可以减少中间标签的数量,发现可以利用未注释数据来显著减少对话状态的转换级别注释,同时在 MultiWOZ 语料库上进行了分析并提出了第一个端到端的对话模型。
Nov, 2019
通过利用大型语言模型,InstructTODS 提供了一种零训练样本的端到端任务导向式对话系统的框架,可以适应多样领域并有效地将用户意图转化为查询,而且在帮助性、信息性和人性化方面明显优于黄金标准回复及现有技术的 TODS。
Oct, 2023