该研究使用神经会话模型和特征提取器生成与对话上下文一致的响应,并通过对话数据上的对比训练方案和特征分离损失增强特定的话题和角色特征以提高响应质量。
Mar, 2019
利用自然语言推断技术探讨生成持续一致人格的对话,提出基于强化学习框架使用从响应 - 人格对得到的自然语言推断信号作为奖励来生成至关一致的对话,并通过对话者的关注机制编码器 - 解码器来生成基于人格的响应,使用对抗训练的自然度模块和基于自然语言推断的一致性模块来评估生成的响应的一致性,实验表明该方法优于强大的生成基线,特别是在生成响应的人格一致性方面。
Nov, 2019
PLMs 基于知识驱动的对话系统存在生成与提供的知识源不一致的回应问题,本文通过知识增强和对齐两种方法有效提升了前馈网络(FFNs)在回应中表达事实知识的能力,验证了提升知识驱动对话系统的事实一致性的有效性。
Oct, 2023
本文介绍了基于人物角色的模型来处理神经响应生成中的发言人的一致性问题。这些模型在分布式嵌入中编码人物角色,以捕捉个体特征,如背景信息和口语风格。在两个交流者之间捕捉交互属性的暂态发言人 - 被称呼者模型。我们的模型提高了感性和 BLEU 得分,在发言人的一致性上也有类似的提高。
Mar, 2016
该论文提出了一种新的检索到预测范例来解决个性化聊天机器人中 OOP 问题,并通过采用实际人物进行后验转换来进一步缓解训练和推理之间的差距。并通过 IT-ConvAI2 和 ConvAI2 的广泛实验表明,我们提出的模型在自动指标和人类评估方面都取得了可观的改进。
Aug, 2022
本文中,我们对自然语言生成功能的输出质量提出问题,通过收集人类演示和信息反馈数据集 DeFacto,我们进行了两项自然语言生成任务的研究,旨在通过实现信息反馈来提高自然语言生成模型的质量,改善与用户需求的匹配度。
Dec, 2022
通过使用离线强化学习框架提高对话系统的人物一致性,结合监督学习的现有数据训练和奖惩特定话语,引入简化的重要性采样方法,可以改善社交聊天机器人的人物一致性和对话质量。
我们探讨了如何通过 Rational Speech Acts 框架的方法,为已有的对话代理赋予公共自我意识的能力,以强化其一致性并减少矛盾,同时探索了如何在对话中提高背景一致性。
Apr, 2020
大型语言模型在对话中实现吸引力和真实性的研究,通过众包创建了一个对话数据集,用于分类任务,并且最高分类准确率达到了 88%。
Jun, 2024
通过使用符号知识蒸馏方法改善小型预训练模型的事实一致性,我们在对话摘要中取得了更好的事实一致性,同时保持了连贯性、流畅性和相关性。