Oct, 2020

使用指针网络进行在线对话分离

PDF
TL;DR本文提出了一种面向在线对话分离的端到端框架，利用注意力机制和联合学习目标实现对话分离，并在 Ubuntu IRC 数据集上取得了表现最好的结果。
conversation disentanglementend-to-end frameworkattention mechanismjoint-learning objectiveubuntu irc dataset
发现论文，激发创造
  • 通过协同训练实现非监督式对话解耦

    本文提出了一种利用深度协同训练算法，在没有人工标注数据的情况下，训练会话分离模型的方法。该方法由两个神经网络：消息对分类器和会话分类器组成，分别用于检索两条消息之间的本地关系，以及通过捕获上下文感知信息将消息分类到会话中。实验结果表明，本方法在多方响应选择下游任务中具有竞争力。

    Sep, 2021

  • 重新审视话语论以进行对话分离

    本文提出了一种基于异构图表示的对话解缠方法，构建了不同的讨论结构特征模型，包括静态发言角色结构和动态背景结构，并采用层级排名损失和易于首先解码算法来实现话语理解和分离。

    Jun, 2023

  • 双层对比度学习实现对话区分

    该研究提出了一种基于双层对比学习的通话分离模型，旨在处理多方对话中的基本任务，同时在有监督和无监督学习的设置下，均可取得最先进的性能表现。

    Oct, 2022

  • CluCDD: 基于聚类的对话解缠方法

    提出了一种名为 CluCDD 的模型，该模型通过对话分离技术和对比学习聚合话语，以生成预测聚类标签并取得最新的最优结果。

    Feb, 2023

  • 对话分离的结构特征分析

    本文针对多方对话中的混杂对话结构特点，提出使用讲话人属性和参考依赖两方面的结构信息来解决对话概要理解问题，并在 Ubuntu IRC 测试数据集上取得最新的最佳效果。

    Oct, 2021

  • 无监督自编码选择纠缠响应实现零样本对话分离

    本文利用无监督学习的方法，解决了多人对话中的话语分组问题，并通过使用海量数据集进行预训练和微调，实现了无需任何有标注的数据就可以达到 25 的聚类 F1 分数。

    Oct, 2021

  • DialBERT：一种用于对话分离的分层预训练模型

    提出了一种整合局部和全局语义的新模型 Dialogue BERT (DialBERT) 来解决在同一通道中同时发生多个对话的混淆问题，其中使用 BERT 在 utterance 级别捕捉每个 utterance 对信息的匹配信息，并使用 BiLSTM 聚合和合并 context 级别信息，与 BERT 相比，只增加了 3% 的参数，并取得了 12% 的 F1-Score 提升，该模型在 IBM 提出的新数据集上达到了最先进的结果，并大幅超越了先前的工作。

    Apr, 2020

  • 戏剧性对话解缠

    本文提出了一种用于研究电影和电视剧中的对话分离的新数据集，并比较了几种分离模型在数据集上的表现。我们发现，与预期相反，过去 40 年中平均线程长度并没有显著降低，并且由女性扮演的角色相对于其发言时间更容易引发新的对话线程。

    May, 2023

  • 对话建模预测出轨

    提出一种基于分层 Transformer 的框架，结合话语级别和对话级别信息捕捉精细的上下文语义，同时考虑话语结构信息和距离变形的多任务学习方案，以实现对网络对话中马车出轨的预测。

    Mar, 2023

  • 通过闭环解缠实现文本属性控制

    利用半监督对比学习方法，我们提出一种新的方法来实现属性的稳健控制，并增强内容的保留。通过重新解缠重构的句子并将其与原始潜变空间进行比较，我们实现了一个闭环解缠过程，进一步帮助内容保留。与以往方法不同，对比学习方法能够代替最小化互信息和对抗训练在解缠过程中的作用，从而减少计算成本。我们在三个文本数据集上进行了实验证明了我们模型的有效性。

    Dec, 2023