通过沟通游戏学习自动完成系统
该研究旨在创建一个交互式、自然语言接口,通过学习用户在模拟机器人环境中完成任务。该接口引入了一种神经语义解析系统,通过分解学习新的高层抽象:用户通过将描述新行为的高层话语分解为它可以理解的低级步骤来与系统互动。作者的方法弥合了现有方法之间的差距,并证明了现代神经系统的灵活性以及基于语法的方法具有的一次可靠泛化能力。研究还讨论了实现交互式范式的潜力的障碍。
Oct, 2020
通过序列决策制定的形式和强化学习来改善文本输入系统中的内联自动完成建议,以遵循用户的输入速度为基础的回报函数,通过理论和实验结果验证了顺序决策制定对自动完成建议问题提供了更好的策略。
Mar, 2024
本研究论文提出了一个基于大规模语言模型、传统马尔可夫模型和字符级模型的端到端系统,以在严格的延迟限制下为 Intuit 金融专家提供个性化的句子 / 单词自动完成建议,旨在在一天内高效准确地书写复杂金融概念。该系统不仅高效和个性化,而且稳健,可以在几乎实时提供相关的自动完成功能,有效节省专家记录时间并提升与团队和客户的交流。同时,并进行了比较研究,此功能可在短时间内与任何具有书写功能的产品集成。
Aug, 2023
本文研究的是低频用户提示模式或广泛提示的自动完成任务以及在受限内存下使用基于字符的语言模型降低整体模型大小的效果。研究证明,当控制模型大小时,字符模型的自动完成任务的精确匹配准确性与字模型相当。作者进一步尝试在字符模型中融入大型字模型的组成信息和表现转移的归纳偏差。
Oct, 2022
本研究提出了基于神经语言建模的深度学习方法,以改善基于流行度的方法无法预测未见过的查询的主要限制,并通过集成用户信息实现个性化建议,使用时间信息并研究如何增加建议的多样性,从而在准确性和可扩展性方面显著改善前人最佳方法,迈向生产搜索引擎中的神经查询自动完成。
Apr, 2018
在信息不对称的情况下,开发能够制定策略并与人类合作的自主代理人是具有挑战性的,需要有效的自然语言交流。我们引入了一个共享控制游戏,两个玩家轮流共同控制一个令牌,以在不完整信息下实现共同目标。我们对一个自主代理人在此游戏中与另一位玩家(人类)的政策综合问题进行了数学建模。为了解决这个问题,我们提出了一种基于通信的方法,包括一个语言模块和一个规划模块。语言模块将自然语言消息与定义玩家意图的有限标志集之间进行翻译。规划模块利用这些标志,使用我们提出的基于不对称信息集的蒙特卡洛树搜索与标志交换算法计算策略。我们使用《夜间侏儒》作为基础的测试场景进行了这种方法的有效性评估,该场景是一个搜索和找到迷宫棋盘游戏。人类主体实验的结果表明,通过交流,玩家之间的信息鸿沟变小,合作效率提高,并减少回合数。
May, 2024
本研究探讨了在人工智能介入的通信中,句子级与信息级建议之间的权衡,并发现接收到信息级建议的参与者反应更快、更为满意。此发现对通信辅助系统的设计具有启示意义。
Feb, 2023
本文介绍了一种基于交互式对话的推荐系统,通过人机对话的形式帮助用户更精准地寻找符合需求的电影,并且提供了相关数据集和代码。
Sep, 2019
我们提出了一种新颖的基于 AI 的聊天机器人学习模式,用户通过与教师机器人的对话获取信息和知识。我们的系统使用了一种新型加强自我对话模式,在不同领域之间实现知识传递和关注用户的对话。我们在三个大型公共数据语料库上进行了广泛的主客观评估,证明了我们的系统在传递知识和关注用户方面的有效性,帮助用户在不阅读文章的情况下大大提高知识水平。
May, 2022