EMNLPApr, 2020

非二元世界：使用灰度数据进行学习排序以进行对话响应选择

PDF
TL;DR本文提出一种利用现成的响应检索模型和响应生成模型来自动生成灰度数据并利用多级排序目标进行训练的方法，从而在建立基于检索的对话系统中提高响应选择的性能。实验表明，该方法能显著且一致地提高基于三个基准数据集和四种最先进的匹配模型的性能。
发现论文，激发创造
  • 开放域对话响应选择的系统评估

    本研究对开源聊天机器人的多种回复生成方法进行了系统评估，提出了利用手动注释筛选出的多个正向回复和负向回复，从而提高模型效果的新训练数据，并实验证明性能较之采用对抗训练数据有更显著提升。

    Aug, 2022

  • 考分重要时的排序学习

    本文通过研究采用分级标签的学习排序问题，提出了一种多目标结构，能够在优化排序性能和等级预测性能方面取得比其他方法更好的结果，证明了利用序数级别信息的好处。

    Jun, 2023

  • 对话响应选择中的密集检索探索

    该研究提出了一种利用密集检索模型从包含数百万个响应的大型语料库或甚至仅由未配对句子组成的非平行语料库中直接选择适当响应的解决方案，并通过一系列专门设计的学习策略实现其在全范围评估设置下的优越性。

    Oct, 2021

  • 指示性图像检索：将黑盒学习变为灰盒

    本文重新探讨了深度学习时代中相关性 / 匹配建模的重要性，并展示了通过直接对匹配证据建模而跳过表示学习的可能性，提高了深度推断的可解释性，并在 Oxford-5k 和 Paris-6k 上获得了最佳性能并创下了新记录。

    Jan, 2022

  • 社交对话的神经响应排名：一种数据高效的方法

    本文提出了使用神经排序器从未标记的数据中有效地训练社交对话系统的方法，并展示了使用该方法通过优化长度作为目标的排序器在性能上优于优化用户评级的排序器，从而可简化未来社交对话代理的数据收集。

    Nov, 2018

  • 生成对抗性负面回复以提升响应排名与评估的鲁棒性

    发展神经对话模型需要超越 “内容相似性”，本文提出用对抗性负面样本提高模型的实用性。实验表明，我们的方法在多个数据集上均表现优异。

    Jun, 2021

  • 对话响应全秩检索的稀疏和密集方法

    本文针对完整回应的检索任务，提出了对话背景和回应扩充技术的检索方法，探析了稀疏检索和零样本以及微调密集检索方法，并发现通过练习 “学习到的回应扩充技术” 是稀疏检索的一个坚实基础。我们最终发现，整体表现最好的方法是密集的检索中级训练，即是模型先预训练语言模型，再根据目标对话数据进行微调，同时我们研究发现，更难的负采样技术导致微调的稠密点检索模型更糟糕。

    Apr, 2022

  • 面向任务的对话系统的上下文感知对话重新排序

    提出了一种上下文感知的对话响应重新排序系统，使用神经词嵌入模型和手工或逻辑回归模型，将响应在与当前对话上下文的匹配分数和候选人的概率分布的基础上重新排名，提高了最近提出的端到端任务导向对话系统在具有语音识别错误的实际对话中的性能。

    Nov, 2018

  • 信息检索的课程学习策略：一个基于对话响应排序的实证研究

    本文探讨了在神经检索模型训练中，如何通过对训练数据进行智能排序（即通过实行课程学习）来提高检索效率。作者利用大规模数据和会话响应排序任务，研究了如何确定难度以及如何过渡到更难的实例，取得了 2％的性能改进。

    Dec, 2019

  • 部署检索为基础的任务导向对话响应模型

    本文提供了一种 3 步程序来开发满足业务要求的对话模型，包括从历史对话中创建模板、使用神经网络建立对话上下文和业务约束，以及通过自我监督和受训者的方法优化模型，并进行实验验证并在人机交互的环境中应用于商业对话。

    Oct, 2022