EMNLPSep, 2020

基于差异性的知识选择在知识驱动对话生成中的应用

PDF
TL;DR该论文提出了一种差异感知的知识选择方法，通过将候选知识句子与前几轮选择的知识句子之间的差异信息与上下文信息相融合或分离，从而实现更加准确的知识选择，大幅度优于现有技术基线。
multi-turnknowledge-grounded dialogknowledge selectiondifference-awarestate-of-the-art baselines
发现论文，激发创造
  • 基于知识的对话生成知识选择

    本文提出了一种生成式方法，名为 GenKS，用于在基于对话历史的语境下选择适当的知识片段，该方法通过序列到序列模型生成标识符来选择片段，捕捉片段之间的内部知识交互，并通过超链接机制显式地建模对话 - 知识交互，同时在三个基准数据集上进行实验并证明 GenKS 在知识选择和响应生成方面取得了最佳结果。

    Apr, 2023

  • 通过知识库问答提高知识感知对话生成

    本文提出了一种新的知识感知对话生成模型，称为 TransDG，该模型将知识库问答（KBQA）任务的问题表示和知识匹配能力转移到生成对话的内在理解和事实知识选择中。我们采用了一种响应引导注意力和多步解码策略的方法，以引导模型集中于生成相关的特征。在两个基准数据集上的实验证明，我们的模型在生成信息全面和流畅的对话方面具有稳健的优越性。

    Dec, 2019

  • 基于知识的会话中的表达学习

    本研究提出一种基于变分方法的分段生成模型，使用两个序列潜状态变量分别表示响应的结构和内容风格，以探索响应中的隐含知识表达模式，并在两个基准测试中获得较好的评估结果。

    Apr, 2022

  • 面向知识驱动对话的顺序潜知识选择

    论文提出了一种名为 `SKT` 的序列潜变量模型，该模型可提高多轮对话的知识选择准确性，并相应地改进了话语生成的绩效；实验结果表明，该模型在大规模对话评估中取得了最先进的表现。

    Feb, 2020

  • 井井有条：面向知识驱动对话的生成器无关知识预选择

    GATE 是一种生成器无关的知识选择方法，它通过在不同的知识结构和可变的知识需求中选择与上下文相关的知识来为后续的响应生成模型准备知识，实验证明 GATE 的优越性，表明生成前的知识选择是一种轻量且有效的方式，可以促进 LLMs 生成更具信息量的响应。

    Oct, 2023

  • 基于预训练语言模型的知识驱动对话生成

    我们使用预训练的语言模型来研究基于知识的对话生成，通过知识选择模块和无监督方法来优化知识选择和响应生成，实验结果表明，我们的模型在自动评估和人类判断方面都显著优于现有方法。

    Oct, 2020

  • PICK: 基于知识的对话系统中的优选和了解候选人评分

    提出了一种基于外部知识的对话生成方法，名为 Polished & Informed Candidate Scoring (PICK)，通过生成重新评分的机制，产生更忠实、相关性更高的对话回复。

    Sep, 2023

  • 常识和命名实体感知的知识驱动对话生成

    本文提出了一种通过利用大规模常识和基于命名实体的知识实现的新型开放域对话生成模型，该模型还利用了与每个话语相关的非结构化主题特定知识，并通过使用共指提高了常识知识。提出的模型利用多跳注意力层保留对话历史和相关知识的最准确和最关键的组成部分，还用到 Commonsense and Named Entity Enhanced Attention Module。实验结果表明我们的模型在两个基准数据集上均显著优于最先进的方法。

    May, 2022

  • 通过文档语义图增强基于信息场景的对话知识选择

    本研究提出了一种将对话模型中的背景知识文档自动转换为文档语义图以对其进行知识选择，并联合应用多任务学习来改善句级和概念级知识选择的方法，并通过实验证明其在诸如 HollE 和 WoW 等领域的知识选择任务和端对端响应生成任务上均优于基于句子选择的基线模型，并且在看不见的话题上改进了泛化能力。

    Jun, 2022

  • 开放域对话中的多句知识选择

    提出对话知识选择的新框架和数据集，用于评估现有方法的不足之处，并通过神经重排序模型改进评估结果，出色地完成了对话回复

    Mar, 2022