EMNLPOct, 2020

GraphDialog: 将图表知识整合到端到端任务导向对话系统中

PDF
TL;DR本文提出一种适用于任务导向型对话系统的模型，利用知识库和对话的依存关系图结构信息解决了如何有效地将外部知识库整合到学习框架中以及如何准确捕捉对话历史语义的挑战。此外，该模型采用多跳推理能力以及循环单元架构进行表示学习。实验结果表明，该模型在两个不同的任务导向型对话数据集上均优于现有模型。
发现论文，激发创造
  • DialoKG: 以知识结构为导向的任务型对话生成

    本论文提出一种新的面向任务的对话系统 DialoKG, 通过将关系型知识看作知识图，并引入结构感知知识嵌入技术和知识图加权注意力掩膜策略来有效地将知识嵌入语言模型，实现人类化和信息化的对话。通过在多个标准基准数据集上的实证评估，展示了 DialoKG 对最先进方法的有效性。

    Apr, 2022

  • 通过动态图知识聚合增强对话生成

    本研究提出了一种基于知识图增强的对话生成框架，使用层级图注意力来聚合伪节点上的图特征，并填补文本和图知识之间的语义差距，并促使语言模型更好地选择知识三元组以获得更丰富的响应。

    Jun, 2023

  • 人机交互中基于知识的响应生成的图文方法

    本文提出了一种基于图形表示的对话状态的新型对话模型，该模型在人机交互中使用知识图来连续更新对话状态，并利用简单而有效的图形到文本机制将对话状态图转化为自然语言形式，经过用户研究得出，使用图形到文本方法的机器人响应在被认为是事实的程度上有统计学上的显著改进。

    Nov, 2023

  • 使用 KG-Copy 网络进行非目标导向型对话

    该论文探讨了将知识图谱集成到对话系统响应生成过程中的问题，提出了一种以足球为领域的非目标导向对话数据集和每个团队的知识图谱，并提出了一种新的神经网络架构作为基线，在数据集上集成知识图谱，产生知识化的响应，经实验证明，该模型的表现优于目前已有的知识图谱集成对话系统的最新模型。

    Oct, 2019

  • 面向对话系统的大规模可解释知识图谱推理

    该研究提出了一种新的方法，将知识推理能力纳入对话系统的可扩展性和通用性中，以提高用户体验。该方法使得单一转换器模型能够直接在大规模知识图谱上进行推理，以生成响应，并通过任务导向和特定领域的对话交流进行了实证研究，证明了其有效性和高效性。

    Mar, 2022

  • KBGN：基于知识桥接图网络的视觉 - 文本问答自适应推理

    本文提出了一种新颖的知识桥梁图网络模型，该模型使用图形在细粒度上构建跨模式语义关系的桥梁，通过自适应信息选择模式检索所需的知识，从而清晰地提取视觉对话的推理线索，并通过实验结果在 VisDial v1.0 和 VisDial-Q 数据集上展示了超越现有模型的最先进成果。

    Aug, 2020

  • 将联合嵌入式应用于多任务学习的目标导向对话

    该文提出了一种基于循环神经网络的端到端编码器 - 解码器结构，其通过联合嵌入知识图谱和语料库的输入来训练模型，提供了用户意图和文本生成的额外整合，并结合多任务学习技术和正则化技术，以惩罚生成错误的实体作为输出。模型在推断期间进一步结合了知识图谱实体查找，以保证生成的输出是基于提供的本地知识图谱的状态。通过 BLEU 得分进行的实证评估表明，该模型可以提高任务导向对话系统的表现。

    Jan, 2020

  • 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

  • 对话系统中基于知识图谱的自然语言生成

    使用知识图谱增强对话代理的准确性和全面性，但在对话时生成文本仍被认为是一项具有挑战性的任务，本文回顾了知识图谱文本生成的不同架构，包括图神经网络、图变换器和序列到序列模型，选择使用序列到序列变压器模型（PLMs）作为知识图谱到文本生成任务的模型，并探索未来多语言维度的研究方向。

    Jul, 2023

  • 使用动态上下文图进行对话语义解析

    本文讨论了使用动态子图和图形神经网络在上下文中交互地将用户话语映射为可执行的逻辑形式，并证明这种方法在处理对话信息方面更好。

    May, 2023