EMNLPSep, 2020

学习分别规划和实现针对开放式对话系统

PDF
TL;DR通过将自然语言生成分为计划和实现两个步骤，该论文通过自动和人工评估证明了比端到端方法更好的表现，从而达到实现进行开放式对话系统真正类似于人类的能力的目标。
open-ended dialogue systemsnatural language generationplanning and realizationautomated evaluationhuman evaluation
发现论文，激发创造
  • 逐步：在神经数据到文本生成中分离规划和实现

    将数据转文本生成过程拆分为符号文本计划和神经生成两个阶段，通过匹配参考文本和选择高质量文本计划提高系统的可靠性和适用性，同时保持流畅的输出。在 WebNLG 基准测试中得到了 BLEU 得分和人工评估的改善，并能够输出同一输入的多种不同的实现，为生成文本结构的显式控制铺平了道路。

    Apr, 2019

  • 面向目标的对话系统规划

    本文提出了一种使用规划技术处理说明性对话代理的方法，从模型征集到生成的计划的执行，涵盖过程的所有方面，同时介绍了一种全新的计划编码方法、多种规划接口和一个强健的执行者。

    Oct, 2019

  • 战略对话的分层文本生成与规划

    本论文介绍了一种学习对话信息表征、提高决策效率的方法，通过解耦对话表述中的语义和语言实现，使用学习到的表征完成对话生成、规划和增强学习等任务，在实验中效果比之前的工作更佳。

    Dec, 2017

  • 基于强化学习的不确定性下自然语言生成规划

    本研究提出了一种新的基于统计规划的自然语言生成模型，它能够在存在噪声反馈的情况下（例如用户和实现器的当前生成上下文），有效地解决常见的自然语言生成问题，包括信息展示、语句长度和信息传递量等方面的折衷问题。我们采用强化学习方法训练该模型，并将其性能与先前工作中的基准性能进行了比较，结果表明，该模型的性能明显优于所有基线模型。

    Jun, 2016

  • 像人一样规划：对话规划的双过程框架

    通过引入心理学中的双过程理论，我们提出了双过程对话规划（DPDP）框架，结合直觉策略模型和深思熟虑的蒙特卡洛树搜索机制，通过线下强化学习和增强的实时学习实现了效率和策略深度之间的动态平衡，并在各种对话任务中实验证实了 DPDP 在实现高质量对话和操作效率上的卓越性。

    Jun, 2024

  • 使用强化学习进行开放式对话的动态规划

    本研究利用强化学习技术结合最先进的自然语言理解模型创造了一个实时的对话系统，并在使用谷歌智能助手的实验中，使用众包数据进行训练，显著超越了强化模型，证明其对于自然人对话有较高的开放性和可行性。

    Jul, 2022

  • 目标驱动和视觉对话系统的全流程优化

    本文介绍了一种基于深度强化学习的方法，使用策略梯度算法来优化基于任务且与视觉相关的对话，该方法在通过 Mechanical Turk 收集的 12 万个对话数据集上进行了测试，并提供了鼓舞人心的结果，可以解决生成自然对话和在复杂图像中发现特定对象的问题。

    Mar, 2017

  • 通过自动规划生成对话代理

    通过使用领域无关的 AI 规划来创建自动化的对话计划，使得具备个性化、定制化和上下文相关互动要求的更复杂多轮对话应用（如职业指导或旅行规划）得以实现。

    Feb, 2019

  • 联合自然语言理解和生成的生成模型

    本研究提出一个通过共享潜变量将自然语言理解和自然语言生成相结合的生成模型，可在平面和树形形式表示的两个对话数据集上达到最先进的性能，并展示了该模型可以利用未标记数据进行半监督学习以提高其性能。

    Jun, 2020

  • 将 AI 规划与自然语言处理相结合：明示和隐示知识的结合

    本文介绍了人工智能规划和自然语言处理之间的相互作用，讨论了四个领域：基于规划的文本理解、基于规划的文本生成、基于文本的人机交互和基于文本的可解释规划，并探讨了一些潜在的未来问题。

    Feb, 2022