ACLMay, 2020

基于预期响应的响应生成中需求知识整合的记忆

PDF
TL;DR该论文提出了一种基于教师 - 学生框架的方法，通过构建预期回复意识的文档记忆来提高会话信息性，在 CbR 任务中优于之前的最新技术。
neural conversation modelsconversing by readingdocument memoryteacher-student frameworkcbr task
发现论文，激发创造
  • 对话推理：通过上下文阅读理解提升响应生成

    本文提出一种联合框架，用于改善多轮对话中回复生成的表现。这种框架结合了阅读理解任务和回复生成任务，共享相同的编码器来提取共同且与任务无关的特征和不同的解码器来学习任务特定的特征。用记忆更新器增强 Transformer 体系结构以更好地将问题和对话历史的信息融合在编码部分，并在大规模对话阅读理解数据集上进行了实验，结果显示该模型对于两个任务都带来了显著的改进。

    Dec, 2020

  • 知识型读者：利用外部常识知识增强填空式阅读理解

    本文提出了一种神经阅读理解模型，该模型在填空式题目中将外部常识知识编码为键值内存，并将其与上下文表征结合起来推断答案，从而提高了阅读理解的准确性和复杂度。

    May, 2018

  • 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

  • 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

  • 通过参照信息的重复和预测支持流式数据问答的记忆模型

    本文借鉴了人类记忆的机制，提出一种新的记忆模型，在处理输入时进行了排练和预测以记住重要信息，成功应用于问题回答数据集并得到了重大改进。

    May, 2023

  • 通过阅读进行对话：基于需求的机器阅读的内容丰富的神经对话

    我们提出了一种新的端到端方法，用于内容丰富的神经会话，它将响应生成和按需的机器阅读共同建模，通过在飞行时向对话模型提供相关的长形文本作为外部知识源，每次进行问答式阅读来响应每个对话轮换，支持进一步的知识基础会话研究，我们介绍了一个新的基于外部网页的大规模会话数据集（2.8M 轮，7.4M 语句），人类评估和自动指标表明，我们的方法相对于各种先前方法，可以获得更加富有内容的响应，从而提高所生成的输出的信息量和多样性。

    Jun, 2019

  • 对话系统中选择相应生成知识的学习

    该论文提出了一种采用先验和后验知识分布来实现知识选择的端到端神经模型，以更好地将适当的知识整合到响应生成中。

    Feb, 2019

  • Skeleton-to-Response: 受检索记忆驱动的对话生成

    该论文提出了一种新的对话回复生成框架，通过基于信息检索技术的骨架 - 回复范式来填充信息差距并提高生成回复的多样性和信息量。

    Sep, 2018

  • 基于知识的神经对话模型

    本文针对神经网络模型生成内容不足的对话应用展开了研究，提出了一种全新的、基于数据和知识驱动的神经对话模型，该模型通过同时考虑历史对话和外部 “事实” 来生成更有用的回应，实验证明该方法在开放领域中具有广泛应用前景，相较于基线模型的 Seq2Seq 方法，能够显著提高输出的信息量。

    Feb, 2017

  • 基于情节记忆的阅读器：从流数据中学习答题需要记住的内容

    本文提出了一个基于序列阅读的外部内存读取模型 Episodic Memory Reader, 并结合强化学习代理进行记忆筛选，用于在大规模数据流中进行问答。实验结果表明该模型在文本 QA 和视频 QA 任务中相较于传统记忆调度策略或独立序列学习的强化学习 baseline 有了更好的表现。

    Mar, 2019