EMNLPApr, 2020

在基于检索的聊天机器人中进行知识驱动的响应选择之前进行过滤

PDF
TL;DR本文提出了一种名为 FIRE 的方法，通过上下文过滤和知识过滤构建了知识感知的上下文表示和上下文感知的知识表示，然后在此基础上通过迭代参考来收集深度匹配特征以评分响应候选者，实验结果表明 FIRE 在 PERSONA-CHAT 数据集和 CMU_DoG 数据集上的表现优于以前的方法，同时具有更好的可解释性。
chatbotsknowledge-grounded retrievalcontext filterknowledge filterinterpretable
发现论文，激发创造
  • 利用潜在知识和对话上下文实现真实世界会话问答

    该论文提出了一种基于神经检索 - 阅读 (Retrieval-Reading) 系统和基于 TFIDF 的文本摘要技术来利用先前的谈话历史中的潜在知识的方法，以便更好地回答问题，并且实验证明该系统显著提高了回答质量。

    Dec, 2022

  • 端到端任务导向对话系统中基于约束知识库的蒸馏

    论文利用基于余弦相似度的滤波技术以及辅助损失函数构建了一个新的关于任务导向型对话系统和知识库之间的信息筛选模型，并提出了一个解决现有实体 F1 指标正确性问题的新指标 multiset entity F1。实验结果表明该模型比现有的最先进模型表现更好。

    Sep, 2021

  • 基于相关知识和目标的预测性检索聊天机器人

    本文提出了一种新的多任务学习框架，以预测相关知识并通过显式信号来监督其学习，实现知识驱动的主动式对话，从而提高最终响应选择的准确性。

    Jul, 2021

  • 学习上下文过滤以增强检索辅助生成

    提出了 FILCO 方法，通过词汇和信息论方法识别有用的上下文，并训练上下文过滤模型以改善生成模型的质量，从而在提取式问答、复杂多跳和长篇问答、事实验证和对话生成任务上优于现有方法。

    Nov, 2023

  • PK-ICR: 面向基于语境的对话的人物知识交互式检索

    本文提出使用 neural Q＆A 模型结合全文对话上下文一起识别人设和知识的任务来识别相关 Persona 或 Knowledge，以应对多重上下文的对话系统，通过建立新的 grounding retrieval 方法来实现。

    Feb, 2023

  • 基于知识蒸馏的快速检索式聊天机器人

    本文研究了响应检索中的跨编码器架构及其应用领域，并在此基础上提出了一种新的跨编码器架构，将其应用于双编码器模型中可以大幅提升其检索性能，并在三个响应检索数据集上进行了详细分析。

    Apr, 2020

  • 智能友好的对话代理：基于知识和角色认知的应用

    本论文提出了一种有效的对话代理，同时考虑外部知识和个性，通过检索增强生成和知识个性增强查询来生成话语，实现了更少幻觉和更有吸引力的对话，在自动指标上的基于个性和知识的对话任务达到了最先进的性能，同时，通过人类评估和定性结果证明了模型对话的幻觉和吸引力，验证了检索的有效性。

    Jan, 2023

  • 在信息交互对话系统中使用深度匹配网络和外部知识进行响应排名

    该研究提出了一种在深度神经匹配网络上利用外部知识进行响应排序的学习框架，实验证明，该方法在包括商业数据在内的三个信息寻求对话数据集上优于各种基线模型，包括多个深度文本匹配模型和多轮对话响应选择的最新方法。

    May, 2018

  • 学习检索有吸引力的后续查询

    本文提出了一种基于检索的系统和相关数据集，用于预测用户可能有的下一个问题，可以主动地帮助用户进行知识探索，引导用户进行更有意义的对话。该检索系统是在一个包含 14000 多组信息获取对话的数据集上进行训练的，该数据集包含一个有效的后继问题和一组无效候选问题。我们在 Follow-up Query Bank 数据集上训练了排名模型，并比较了监督和无监督方法的结果。结果表明，我们可以通过将有效后继问题排在更高的位置上进行检索，但进一步的知识构建可以提高排名性能。

    Feb, 2023

  • 检索增强减少对话中的幻觉

    本文研究了基于神经检索的循环架构在知识驱动的对话中的应用，将多个组件（检索器、排名器和编码器 - 解码器）结合在一起以最大化可知性并保留对话能力，在两个知识驱动的对话任务中实现了最先进的性能，并经过人工评估证实，大大减少了在最先进的聊天机器人中存在的知识幻觉问题。

    Apr, 2021