多领域对话行为与响应同时生成
利用对话行为结构建立多层次的分层脱离式自注意网络,通过激活不同的头来模拟大规模多领域场景中的对话行为语义,实现神经响应生成。该模型在自动和人类评估度量方面在大规模多领域的 Multi-Domain-WOZ 数据集上取得了显着的改进。
May, 2019
本文研究采用对话行为来模拟人类社交聊天的开放领域对话生成,利用行为策略来管理人机交互流程,并结合强化学习方法对策略进行优化,从而在机器仿真和人机交互中获得了显著响应质量的提升。
Jul, 2018
本文提出了一种新颖的神经网络架构,用于多轮对话场景下的响应选择,它应用了上下文级别的注意力和领域特定单词描述提供的额外外部知识。该架构使用双向门控循环单元进行编码,并学习在给定潜在响应表示的上下文单词之间进行关注,同时还使用另一个 GRU 来编码领域关键词描述,从而提高了相应中领域特定关键词的表示,实验结果表明,相对于所有其他最先进的方法,我们的模型在多轮对话中具有更好的响应选择性能。
Sep, 2018
提出了一种基于行动级别生成的任务导向对话系统,采用基于序列到序列模型的方法,将大规模对话中的每个自然语言响应表示为一系列对话行动,并将其转换为语音响应,实现了控制能力和效率之间的平衡。
Apr, 2023
本文提出通过对话策略来规划目标响应的内容和风格,促进神经响应生成方法生成更为准确、有效和吸引人的回应,通过 Topical-Chat 数据集的自动注释,得到包括对话上下文、目标对话行为、话题信息等方面的行动计划。作者进一步调查了不同的对话策略模型来预测行动计划,证明了在句子级别和依托对话策略的生成模型所生成的回复更具适切性,并且控制效果更为出色。
May, 2020
本研究提出多阶段自适应潜在动作学习(MALA)方法,通过区分话语对对话推进的影响来学习语义潜在动作,解决了最近研究中基于话语词汇相似性学习潜在动作的各种语言表面差异问题,实验结果表明该方法在任务完成和语言质量方面均取得了显著改进。
Dec, 2019
本文介绍了一种 Transformer 模型,可以应用于多方对话语篇分析,并结合三种方法,实现跨领域数据泛化,以提高神经网络解析器在跨域对话样本中的表现。
Oct, 2021
提出了一种名为 MDS-S2 的新型多模式任务导向对话系统,通过从知识库中获取相关属性和关系知识,设计了多级知识组成模块以及一组潜在查询变量以实现表征级别的语义规范化来解决文本响应生成过程中的关键问题。
May, 2023
提出了一个名为 MADA 的多行为数据增强框架,用于生成多样化的对话回复,该框架利用了对话的一对多属性,并改善了对话策略及回复多样性的表现。
Nov, 2019