我们提出了一种通用的框架,该框架可以在保持低参数的前提下,同时保持聊天机器人的通用知识和特定领域的能力,并可以在交互中实现无缝转换,并通过对话进行参考跟踪和去除不一致的回应来改善数字助手的交互效果。
Aug, 2021
本研究旨在解决将角色赋予开放领域对话系统的问题,并提出了一个高效的数据收集框架,借助大规模语言模型的上下文少样本学习来构建满足角色约束的对话数据集。在此基础上,通过比较不同架构的开放领域对话系统,在保持其会话能力的同时满足角色约束。研究结果消息表明,我们的模型返回少量越界言论,在一般指标上保持竞争力。
Apr, 2022
使用 Topical-Chat 数据集,我们训练了多个最先进的编码器 - 解码器对话模型,并进行了自动化和人工评估,以帮助在开放领域对话人工智能方面的进一步研究。
Aug, 2023
本文回顾了近期关于神经网络方法在开放领域对话系统中解决语义、一致性和互动性挑战的工作,以实现与用户建立长期连结并满足人类沟通、情感和社会归属需求。
May, 2019
本文介绍了一种通过模仿社交媒体上的非正式互动改善系统的原始会话能力的方法,并利用 Reddit 上的过滤评论数据作为 seq2seq 生成器的额外上下文,以提高开放域对话系统的能力。
Jun, 2022
本文旨在研究结合先进的开放域对话代理和视觉模型,以实现多模态对话的目标,研究不同的图像融合方案和域自适应预训练和微调策略,并展示了我们最好的模型不仅在多模态对话方面优于现有的强模型,而且在纯文本对话方面表现也和其前身 BlenderBot 一样好,同时我们还研究并整合了安全组件,展示这种努力不会削弱模型性能方面的吸引力度量。
Oct, 2020
本文提出了一种新的对话代理模型 ——Generative Conversation Control,它能够控制对话代理的个性,并通过控制该模型上一次与目标演员的对话,实现对话代理个性的表达,该模型在 Reddit 评论数据上进行了验证和评估,其效果得到了显著提高。
May, 2020
本研究分析了神经网络开放领域对话系统所学习的内部表示,并评估了这些表示的质量以学习基本的交谈技巧。结果表明,标准的开放领域对话系统难以回答问题、推断矛盾并确定对话话题等任务,需要更多的研究来探讨建筑和训练方法,从而更好地捕捉有关对话的高级信息。
Jun, 2020
本文介绍了一种基于最新的神经网络连续学习技术的领域无关的神经对话模型,同时提出了一种新颖的神经连续学习算法,能够以数据 - 效率的方式跨越不同任务积累技能,在客户支持领域通过从合成对话或人类之间的对话到人 - 计算机对话的连续技能转移来验证方法的功效。
Dec, 2017
提出了一种名为 BotsTalk 的新框架,其中多个代理参加交谈以自动注释多技能对话,并展示了一个名为 BSBT 的大规模多技能对话数据集,通过广泛的实验表明,我们的数据集对于需要理解技能融合和技能基础的多技能对话系统非常有效。
Oct, 2022