Mar, 2020

基于分层结构的本地上下文关注在对话行为识别中的应用

PDF
TL;DR本研究旨在设计一种基于自注意力机制的分层模型，以识别对话行为，并通过修改注意分布来关注局部和上下文语义信息，同时引入新的对话分割机制，分析对话长度和上下文填充长度对模型效果的影响。实验表明，该模型在 Switchboard 对话行为和 DailyDialog 两个数据集上均取得了 80.34% 和 85.81% 的准确率，并且通过可视化注意权重的方式展示了其可以显示地学习话语之间的上下文依赖关系。
发现论文，激发创造
  • 基于上下文感知自注意力机制的对话行为分类

    本文研究 Dialogue Act 分类，提出了将上下文感知的自注意机制与分层循环神经网络相结合的方法，并在 SwDA Corpus 上证明了其在不同语义表征学习方法下的高精度表现。

    Apr, 2019

  • 一个基于语境的对话行为识别方法，使用简单的循环神经网络

    提出了一种上下文敏感的对话行为识别方法，利用基于字符级语言模型的话语表示来学习对话行为分类，并在 Switchboard 对话行为语料库上测试，结果表明考虑先前话语作为当前话语的语境可以改进对话行为识别。

    May, 2018

  • 一种双重注意力的分层循环神经网络在对话行为分类中的应用

    提出了一种基于双重注意力层级循环神经网络的对话行为分类模型，利用话题建模作为辅助任务和双任务特定注意力机制来捕捉对话行为和话题之间的交互信息，从而大大提高了 DA 分类的效果。

    Oct, 2018

  • 利用多个记号、片段和上下文信息表征的深层对话行为识别

    本研究旨在通过考虑不同层级的 tokens 和在历史对话中上下文信息的丰富表达，探索生成更加信息丰富的对话结构代表，我们通过组合最佳的方法，在 SwDA 和 MRDA 上取得了超越以往最佳结果，并在 MRDA 上超越了人类的表现水平。

    Jul, 2018

  • 基于 CRF-Attentive 结构网络的对话行为识别

    本研究提出了一种使用丰富的条件随机场 (CRF) 结构依赖性、采用分层语义推理和记忆机制的话语行为识别方法，并使用扩展的结构化注意力网络考虑上下文的话语和相应的对话行为，实验结果显示该方法表现优于其他最先进的解决方案。

    Nov, 2017

  • 序列到序列模型中对话行为预测的注意力引导

    采用 Seq2Seq 模型进行对话行为分类预测，不需要手动特征处理，其在 SwDA 和 MRDA 数据集上获得了高准确率的成果。

    Feb, 2020

  • 对话行为建模用于自动标记与识别交谈语音

    本文提出了一种基于统计学方法的对话行为建模方法，通过对词汇、语音、对话结构等多个方面的考虑对话行为进行检测和预测，并应用于语音识别和对话行为分类，实验表明取得了良好的对话行为分类精度和一定的语音识别效果提升。

    Jun, 2000

  • 基于神经网络的上下文表示学习用于对话行为分类

    本文研究利用神经网络模型中的上下文表征学习方法进行对话行为分类，作者提出并比较了不同方法，包括结合了循环神经网络架构和不同上下文层次的注意力机制，实验结果表明这种方法相较于没有上下文信息的模型具有更为一致的提高并揭示了最适合的注意力机制取决于数据集的性质。

    Aug, 2017

  • 对话行为引导的上下文适应器用于个性化语音识别

    本研究提出了一种对话行为引导的上下文适配器网络，改善了多轮对话中自然语言识别的性能，相较于现有技术提高了数量级，具体表现为相对相对单词误差率降低 58%。

    Mar, 2023

  • 使用带 CRF 的分层编码器进行对话行为序列标注

    本文提出了一种基于 Hierarchical RNN、双向 LSTM 和 CRF 的层次化的对话行为（Dialogue Act）识别模型，该模型将每个话语按其对应的 Dialogue Act 进行分类，并在 Switchboard 和 Meeting Recorder Dialogue Act 两个基准数据集上验证了其可靠性和准确性，相较于最先进的方法分别提高了 2.2％和 4.1％，并能够在 Switchboard 数据集上获得约 79％的准确率。

    Sep, 2017