ACLApr, 2020

用于多领域端到端任务导向对话的动态融合网络

PDF
TL;DR研究通过引入共享专有网络和动态融合网络，明确利用多领域数据，提高每个领域和未见过领域的性能，以及在较少训练数据情况下的可移植性，从而为多领域对话的研究提供了一种先进方法。
end-to-end task-oriented dialog systemneural modelsshared-private networkdynamic fusion networkmulti-domain dialogue
发现论文，激发创造
  • 多域对话状态跟踪的动态模式图融合网络

    该研究提出了一种名为动态架构图融合网络（DSGFNet）的方法，它能够明确融合事先的槽 - 域成员关系和对话感知动态槽关系，且能够利用这些架构图来实现跨领域知识传递，此方法在 Dialogue State Tracking 领域内的实证结果优于现有方法。

    Apr, 2022

  • 从整体到特定：基于领域转换网络的多领域翻译

    本篇论文提出一种利用领域转换网络、知识蒸馏和对抗学习等方法，解决多领域翻译中通用和特定知识的统一建模问题，并在多种语言对上得到了比 fine-tuning 方法更为优秀的结果。

    Nov, 2019

  • 多领域神经网络语言生成器用于口语对话系统

    本研究提供了一种训练多领域、基于递归神经网络的语言生成器的程序，包含了多个适应步骤，并利用伪造数据和领域内句子的优化目标函数，旨在在新的、看不见的领域内显著减少培训的数据需求，其语料库评估结果和主观测试都表示该程序可以在保证 BLEU 分数和槽误差率竞争力的同时大幅提高语言生成器性能。

    Mar, 2016

  • 面向混合领域的任务导向对话

    研究了跨领域环境下的任务导向对话问题，并探讨了通过使用特定的状态监测组件和混合式系统来提高任务信念跟踪准确率的方法。

    Sep, 2019

  • 跨图动态迁移学习

    该研究提出了一个动态传输学习框架 DyTrans，使用基于 transformer 的时间编码模块建模动态域的时间信息，设计了动态域统一模块跨源和目标域高效地学习域不变特征，并在多个实际数据集上展示了 DyTrans 在从动态源域到动态目标域的知识转移中的有效性。

    May, 2023

  • 利用递归神经网络进行多域对话状态跟踪

    该论文研究对话状态跟踪，提出通过跨域对话数据训练一般化信念跟踪模型，使用域外数据初始化跨域信念跟踪模型的训练流程，提高了信念跟踪的性能。

    Jun, 2015

  • 面向对话的结构化融合网络

    本文提出了使用结构化融合网络将显式对话结构加入神经对话系统的若干方法，该方法在 MultiWOZ 数据集上表现稳定并具有更好的域通用性、在数据减少的情况下性能更好，并且具有强大的强化学习能力。

    Jul, 2019

  • 序列标注的多任务领域自适应

    本文提出了一种支持多任务领域自适应的神经网络框架，并应用于中文分词和命名实体识别两个任务的领域自适应。实验结果表明，该框架比独立的领域自适应方法在两个任务上都获得更好的结果，并在社交媒体领域达到了最先进的水平。

    Aug, 2016

  • 基于因子化张量网络的多任务与多领域学习

    通过使用因式分解张量网络（FTN）的方法，可以在几个参数增加的情况下，实现与独立单任务 / 领域网络相媲美的准确性。FTN 利用源模型中的冻结骨干网络，并逐步添加任务 / 领域特定的低秩张量因子到共享的冻结网络，从而能够适应大量的目标领域和任务，而不会发生灾难性遗忘。此外，与现有方法相比，FTN 所需的任务特定参数数量显著较少。

    Oct, 2023

  • 对话知识转移网络实现数据高效目标导向聊天

    该研究提出了一种基于少量无需标注对话实现目标导向对话生成的系统，实现了对话表示的自主学习，涉及到文本知识来源的多重训练，结果显示在使用了比原模型仅百分之十的数据时显著提高了实体识别和 BLEU 得分。

    Oct, 2019