使用动态主题跟踪的多方对话响应选择
本文提出了一种新颖的基于主题感知的无监督多轮对话建模方案,该方案通过无监督的主题感知分割算法和主题感知双交互匹配网络实现,在多个公共数据集上的实验结果表明 TADAM 可以胜过现有的最新方法,尤其是在出现明显主题转移的电子商务数据集上提高了 3.3%。
Sep, 2020
本文提出了一种用于将对话历史转换为线程的对话提取算法,同时采用预训练 Transformer 进行编码并通过注意力层来得到匹配分数,实验表明依赖关系有助于对话上下文的理解,此模型在 DSTC7 和 DSTC8 等任务上的表现优于现有方法。
Oct, 2020
该研究提出了一种从主题感知的角度对多轮对话进行建模,使用对话切分算法将对话段落无监督地拆分为主题集中的片段,并将这些片段作为主题感知的语言处理单元用于进一步的对话理解。通过在聚类系统中设计自训练自编码器,并构建两个构造的数据集进行评估,我们展示了拆分段落在域内主题检测和定位方面的便利性。同时,拆分段落也是多轮对话响应选择的适当元素,为此,我们提出了 Topic-Aware Dual-Attention Matching (TADAM) 网络模型,它以主题片段作为处理元素,并使用双交叉注意力匹配响应候选项。通过对三个公共基准测试的实证研究,我们发现相对于基准,该模型取得了显著的改进。该研究延续了先前的文档主题研究,并通过详尽的实验和分析将对话建模引入了新的主题感知视角。
Sep, 2023
本文研究了在检索型的多轮对话系统中,如何在给定用户和系统对话历史记录的情况下选择最优回复。本研究发现,利用预训练的语言模型可以解决此类回复选择任务,但这种方法只考虑了历史和候选回复的相关性,而忽略了多轮对话系统的时序性。因此,作者提出了一种称为 utterance manipulation strategies (UMS) 的方法,该方法通过插入、删除和搜索等策略来保持对话一致性。研究结果表明,UMS 是高效的自我监督方法,且可以在多种公共基准测试数据集上推动现有技术的发展。
Sep, 2020
通过在大型通用领域对话语料库上预训练反应选择模型,然后利用小型特定领域数据微调预先训练的模型,本论文提出了一种有效的方法来部署任务导向对话中的响应选择,取得了很好的效果。在六个不同的应用领域,从电子商务到银行业,本方法都表现出了良好的效果。
Jun, 2019
本文研究了如何使用预训练语言模型解决检索式聊天机器人中的多轮响应选择问题,提出了一种名为 SA-BERT 的新模型,包括说话人感知和解缠策略,并通过领域自适应使性能达到最新的水平。
Apr, 2020
该论文研究了在多轮对话中选择最适当的回应是一个检索型对话系统的关键问题,提出了一种基于受监督对比学习的新方法并应用于回应选取中,利用句子标记交换和句子重排序的技术,经过实验验证,该方法明显优于基线和目前各种方法。
Mar, 2022
本文研究基于信息检索的跨度多轮对话系统以往语句的上下文建模的问题,提出将以前的话语通过一种深度聚合模型聚合成细粒度的上下文进行表示。实验结果表明,与现有的最先进的方法相比,该模型在三个多回合对话基准测试中表现更优秀。
Jun, 2018
本文提出两种具有辅助任务的模型,用于响应选择,并在 MultiWOZ 2.1 数据集上取得了 107.5 和 108.3 的综合分数,优于具有三倍以上的参数基线模型。
Aug, 2022