对话的连贯性是否可靠?从对话行为和实体中学习
本文提出了一种利用对话行为预测进行多任务学习的新方法,用于对话连贯性评估,并消除了对显式对话行为标签的需求,有效解决了以往研究领域中语义限制有限以及性能强烈依赖于输入对话行为标签等问题。
Aug, 2019
在对话模型中,意图结构在话语的连贯性建模中起着关键作用。本文提出通过增强原始实体方格建模对话文档表示,实现对话中意图结构的建模,并在连贯性评估的两项标准任务方面对三个不同对话数据集的性能都优于原始实体方格表征,验证了意图在对话连贯性建模中的关键作用。
Jun, 2018
本文提出了基于分布式句子表示的可解释计算指标,用于评估开放领域对话系统的主题、话题的连贯性,减少了人工判断实验的时间成本和不可伸缩性,并结合先进的蕴含技术,介绍了可计算的人工判断形式,实现了对大规模数据集上对话质量的无偏估计。
Apr, 2019
我们提出了一种新颖的相关性模型来应用于书面异步对话(例如论坛,电子邮件)的相关性评估和线程重建,该模型通过在实体转换中引入词汇化实现性能的改进,并将其扩展成为包括底层对话结构的实体网格表示和特征计算的方法,成为目前单 olog 和对话中标准相关性评估任务中的最佳模型,也展示了其在重建线程结构方面的有效性。
May, 2018
本文研究 Dialogue Act 分类,提出了将上下文感知的自注意机制与分层循环神经网络相结合的方法,并在 SwDA Corpus 上证明了其在不同语义表征学习方法下的高精度表现。
Apr, 2019
本研究提出了 DiCoS-DST 方法,该方法根据三个角度(与槽名称的显式连接、与当前对话的相关性、隐含提及导向推理)动态选择与各个槽相关的对话内容来更新状态,该方法在多个基准测试数据集上实现了卓越的性能表现。
May, 2022
介绍一个新任务:测量基于背景知识的语义相 (不) 一致性,在 Ubuntu Dialog Corpus 上使用知识图谱、矢量空间嵌入和单词嵌入模型提出和评估基于图形和机器学习的方法来测量语义的一致性,并展示了这些方法能够发现对话中的不同一致性模式。
Jun, 2018
本文提出了一种基于统计学方法的对话行为建模方法,通过对词汇、语音、对话结构等多个方面的考虑对话行为进行检测和预测,并应用于语音识别和对话行为分类,实验表明取得了良好的对话行为分类精度和一定的语音识别效果提升。
Jun, 2000
本研究提出了一种无域限制的神经模型,可用于度量多个方面的连贯性,并能在生成新语句时保持连贯性,该模型包括区分性模型和生成性模型,以及一种新的基于神经潜变量马尔科夫生成模型,可捕获文本中句子之间的隐含连贯性依赖关系,并在多个连贯性评估方面取得了最先进的表现,为处理语篇上下文生成连贯性文本迈出了一步。
Jun, 2016
本研究提出一种层次神经网络模型,通过多任务学习,同时预测文档层次的信息连贯得分和词级别的语法角色,利用两个任务之间的归纳转移,提高模型泛化能力,并在不同任务中达到了新的最优表现。
Jul, 2019