ACLApr, 2020

MuTual: 多轮对话推理数据集

PDF
TL;DR介绍了一个新的多轮对话推理数据集 MuTual，包含 8,860 个中文学生英语听力考试基础上的手动注释对话，对话系统或模型需要具备处理各种推理问题的能力，现有的最先进的方法仅可达到 71％，远远落后于 94％的人类表现
non-task oriented dialogue systemsdeep learning techniquesmutual datasetmulti-turn dialogue reasoningchinese student english listening comprehension exams
发现论文，激发创造
  • MMDialog：面向多模态开放领域对话的大规模多轮对话数据集

    本文介绍了 MMDialog 数据集、提出并规范了两个基于检索和生成场景的反应生成任务，还构建了两个基线，并提出了一种新的评估指标 MM-Relevance，用于衡量多模态反应。

    Nov, 2022

  • Ubuntu 对话语料库：一份用于非结构化多轮对话系统研究的大型数据集

    介绍 Ubuntu 对话语料库，包含近 100 万个多轮对话，可以用于建立基于神经语言模型的对话管理器，同时提供适用于此数据集的两种神经学习架构，并在选择最佳下一个响应的任务上提供了基准表现。

    Jun, 2015

  • 多轮口语对话中基于知识增强的 BERT 互联网络

    本文研究了基于 BERT 的联合模型，利用知识关注机制和筛选相关知识三元组的门控机制相互利用两个 SLU 任务的对话上下文和动态信息进行建模，实验结果表明相对于其他竞争基线，该方法在两个复杂的多轮对话数据集上取得了相当大的改进。

    Feb, 2022

  • 用语义相关的图片替换文本构建多模式对话数据集

    本文提出创建一种包含图像的 45k 多模态对话数据集的方法，该方法通过准备、预处理文本对话数据集、使用文本转图像技术创建混合图像对话，以及利用基于上下文相似性的过滤步骤确保数据集的上下文一致性。自动度量和人类评估结果表明，我们的数据集可以有效地用于多模态对话系统的训练，需要以上下文感知的方式理解图像和文本。

    Jul, 2021

  • DailyDialog：一个手工标注的多轮对话数据集

    我们开发了一个高质量的多回合对话数据集 DailyDialog，包括人类编写的不太嘈杂的语言，反映我们日常交流方式并涵盖我们日常生活的各种主题。我们手动标记了这个数据集的通信意图和情感信息，并在 DailyDialog 数据集上评估现有的方法，希望它有益于对话系统的研究领域。

    Oct, 2017

  • 增强类人多模态推理：一项新的具有挑战性的数据集和全面框架

    多模态推理是实现类似人类智能的人工智能系统的关键组成部分，本文介绍了多模态链式思维（CoT）技术，并提出 COACO-MMRD 数据集，通过全面评估不同方法，提供了有价值的见解和创新技术，包括多跳跨模态注意力和句级对比学习，以增强图像和文本编码器的性能，通过广泛的实验证明了所提出数据集和技术的有效性，为推进多模态推理提供了新的视角。

    Jul, 2023

  • 音频对话：用于音频和音乐理解的对话数据集

    通过大型语言模型生成多轮对话，展示了音频理解中的复杂性和适用性。

    Apr, 2024

  • MMDU：多轮多图像对话理解基准及用于 LVLM 的指令调优数据集

    生成自然且有意义的回复以与多模态人类输入进行交流是大型视觉语言模型（LVLMs）的基本能力。我们引入 MMDU 作为一个综合基准以及 MMDU-45k 作为一个大规模的指导调整数据集，旨在评估和提高 LVLMs 在多轮和多图像对话中的能力。

    Jun, 2024

  • 多用户多 WOZ：多用户之间的任务导向对话

    通过收集多用户多 WOZ 数据集，该研究提出了多用户背景下的查询重写任务，旨在将两个用户之间的对话重写成只包含任务相关信息、能够被对话系统直接处理的简洁任务查询，实验证明通过预测的重写方式，显著提高了对话状态跟踪的性能，并且可以适用于未知领域。

    Oct, 2023

  • 面向任务导向对话的通用对话行为标注

    本文提出了一种适用于任务导向对话系统的通用 DA 模式，并使用人类 - 人类对话语料库进行标记和建模，通过半监督学习技术，以提高标记效率和标记质量。

    Jul, 2019