本文探讨了自然语言生成在任务导向对话中的应用,提出了三种序列到序列模型,并考虑如何实现内容和风格的分离,通过控制 36 个风格参数,实现对语义和风格的高度还原。
May, 2018
本文提出了一种新的对话代理模型 ——Generative Conversation Control,它能够控制对话代理的个性,并通过控制该模型上一次与目标演员的对话,实现对话代理个性的表达,该模型在 Reddit 评论数据上进行了验证和评估,其效果得到了显著提高。
May, 2020
本文介绍了一种新的控制对话响应生成的方法 —— 插入式方法,其不需要注释对话数据集或精调大规模语言模型,并可以实现高度控制所生成的会话响应的多个方面。
Oct, 2020
本文提出了约束性的、long-term 控制对话生成的问题,并提出了一种检测其性能的新指标,并采用改进的基于检索的方法,该方法通过修改 logits 来提高长期控制的生成性能。通过在三个面向任务的对话数据集上的实验证明了我们的指标相对于当前的替代方案更好地评估了对话控制,并且我们的方法优于最先进的约束性生成基线。
May, 2022
本研究着重于架构引导的自然语言生成中的风格控制和评估,旨在同时实现语义和风格控制,通过条件训练、引导微调和引导解码等各种控制生成方法的实验来评估其优缺点,并用广泛的自动和人工评估指标来评估,结果表明,使用判别器引导解码更适合处理风格较为语义复杂的任务,同时这种方法也更加可扩展,效果更好。
Sep, 2021
本研究针对通俗聊天对话,通过调整可控的神经文本生成参数(条件训练和加权解码),控制重复、特定性、关联性和提问行为等四个重要特征,进行大规模人类评测,结果显示这些参数的不同组合能明显提升整体品质。
Feb, 2019
研究知识基础对话系统,控制生成神经对话模型,加入不同的评估措施作为样式控制以鼓励模型生成有据可依的响应,并通过人类评估研究判断控制生成模型的产出通常更加客观和有据可依。
Jul, 2021
本文研究采用对话行为来模拟人类社交聊天的开放领域对话生成,利用行为策略来管理人机交互流程,并结合强化学习方法对策略进行优化,从而在机器仿真和人机交互中获得了显著响应质量的提升。
Jul, 2018
本研究分析了神经网络开放领域对话系统所学习的内部表示,并评估了这些表示的质量以学习基本的交谈技巧。结果表明,标准的开放领域对话系统难以回答问题、推断矛盾并确定对话话题等任务,需要更多的研究来探讨建筑和训练方法,从而更好地捕捉有关对话的高级信息。
Jun, 2020
本研究旨在探索神经生成法如何同时实现语义准确度和文体控制,在两个文体基准任务中,通过在译码器中进行文体调节,消除先前模型中使用的语义再排序器,从而实现了语义误差降至接近零,并在 Personality 中实现了超过 15 个 BLEU 分数的巨大性能提升。在控制对比中还实现了从 0.75 到 0.81 的提升以及语义误差从 16% 降至 2%。
Jul, 2019