EMNLPOct, 2019

DyKgChat: 基于动态知识图谱的对话生成基准测试

PDF
TL;DR本文提出了一个新的任务，旨在研究如何在神经会话模型中应用动态知识图谱，并提供了 DyKgChat 话语语料库来帮助评估动态知识图谱对响应生成的影响。为了支持动态知识图谱，我们提出了一个选取两个网络的初步模型：序列到序列模型 (Seq2Seq) 和多跳推理模型。我们引入了几种评估指标进行评测，并实验证明我们的方法优于以往的知识驱动对话模型。该文所提出的语料库和模型可激发未来的研究方向。
neural conversation modelsknowledge graphsdykgchat corpusmulti-hop reasoning modeladaptation
发现论文，激发创造
  • 基于知识的神经对话模型

    本文针对神经网络模型生成内容不足的对话应用展开了研究，提出了一种全新的、基于数据和知识驱动的神经对话模型，该模型通过同时考虑历史对话和外部 “事实” 来生成更有用的回应，实验证明该方法在开放领域中具有广泛应用前景，相较于基线模型的 Seq2Seq 方法，能够显著提高输出的信息量。

    Feb, 2017

  • 对话系统中基于知识图谱的自然语言生成

    使用知识图谱增强对话代理的准确性和全面性，但在对话时生成文本仍被认为是一项具有挑战性的任务，本文回顾了知识图谱文本生成的不同架构，包括图神经网络、图变换器和序列到序列模型，选择使用序列到序列变压器模型（PLMs）作为知识图谱到文本生成任务的模型，并探索未来多语言维度的研究方向。

    Jul, 2023

  • 使用 KG-Copy 网络进行非目标导向型对话

    该论文探讨了将知识图谱集成到对话系统响应生成过程中的问题，提出了一种以足球为领域的非目标导向对话数据集和每个团队的知识图谱，并提出了一种新的神经网络架构作为基线，在数据集上集成知识图谱，产生知识化的响应，经实验证明，该模型的表现优于目前已有的知识图谱集成对话系统的最新模型。

    Oct, 2019

  • 基于知识的生成式对话网络的对话数据增强

    通过生成式对话网络自动生成对话数据训练社交对话代理，通过自动生成会话，可以在可用的语言和知识数据的广度中受益；对于不带知识的对话，GCN 可以从种子数据泛化，产生新颖但不太相关但更吸引人的对话，对于知识基础的对话，则可以产生更注重知识、流畅和引人入胜的对话。

    Jul, 2022

  • 知识图谱增强的语言模型用于基于知识的对话生成

    提出了 SURGE 框架，用于生成上下文相关且基于知识图谱的对话，通过从知识图谱检索相关子图，并对其条件下的单词嵌入进行干扰以保持事实一致性并使用对比学习确保所生成的文本与检索到的子图具有高相似度，通过在 OpendialKG 和 KOMODIS 数据集上的实验验证了该框架的有效性。

    May, 2023

  • $G^2$: 通过地面图增强基于知识的对话

    使用 Ground Graph 辅助 Transformer 模型提取语义结构以增强知识对话系统的回答生成效果，并在资源有限情况下展示出良好的推广能力。

    Apr, 2022

  • 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

  • 基于动态多形式知识融合的开放域对话生成

    本文提出了一种基于动态多种知识融合的开放域聊天机器人模型，其中结构化的三元组来自知识图谱，非结构化的文本来自文档，并采用动态虚拟知识选择器和控制器以及新颖的动态知识内存模块来扩展知识空间，实验结果表明了方法的有效性。

    Apr, 2022

  • 通过知识库问答提高知识感知对话生成

    本文提出了一种新的知识感知对话生成模型，称为 TransDG，该模型将知识库问答（KBQA）任务的问题表示和知识匹配能力转移到生成对话的内在理解和事实知识选择中。我们采用了一种响应引导注意力和多步解码策略的方法，以引导模型集中于生成相关的特征。在两个基准数据集上的实验证明，我们的模型在生成信息全面和流畅的对话方面具有稳健的优越性。

    Dec, 2019

  • 使用动态上下文图进行对话语义解析

    本文讨论了使用动态子图和图形神经网络在上下文中交互地将用户话语映射为可执行的逻辑形式，并证明这种方法在处理对话信息方面更好。

    May, 2023