EMNLPOct, 2020

一种可扩展的框架，用于从隐性用户反馈中学习，以改善大规模对话 AI 系统中的自然语言理解能力

PDF
TL;DR本文提出了一种可扩展且自动的方法，通过利用隐式用户反馈来改进大规模对话 AI 系统中的自然语言理解 (NLU)。我们基于用户交互数据和对话上下文，提出了一个通用的领域无关框架，以改进来自生产流量的 NLU 新监督数据。通过广泛的实验，我们展示了应用该框架并改进大规模生产系统中的 NLU 的结果，并展示了其在 10 个领域的影响。
natural language understandingnluconversational aiuser interaction datasupervision data
发现论文，激发创造
  • 自然语言理解系统的理解和评估

    本文通过对最新的自然语言理解系统的语言能力进行批判性分析，认为这些系统具备人类语言学习和处理的重要方面，但同时缺乏关键的解释和推论技能，除非它们被结构化知识和利用语言使用能力所整合，否则难以实现这些技能。

    Mar, 2023

  • 会话式人工智能的口语理解：近期进展和未来方向

    该论文讨论了使用深度学习技术进行自然语言理解的联合任务，包括意图检测和槽填充，介绍了 Spoken Language Understanding/Natural Language Understanding（SLU/NLU）技术和用于解决该问题的最新自然语言处理和深度学习技术，以及如何提高性能的一些方法。

    Dec, 2022

  • DialogVCS：对话系统中鲁棒的自然语言理解升级

    通过 DialogVCS 建立了一种新的基准测试方法，将包含语义交织的意图识别问题建模为带有正标签但是未标注意图的多标签分类任务，并提出了综合的基线模型以有效地识别具有语义交错的意图。

    May, 2023

  • 为构建对话代理评估自然语言理解服务

    比较了不同的 NLU 工具在多个领域中的性能，结果表明在意图分类方面 Watson 表现最佳，而在实体类型识别方面表现不佳。

    Mar, 2019

  • 英文文本的知识驱动自然语言理解及其应用

    该论文提出了一种基于知识驱动的语义表示方法，它使用 VerbNet 词典将文本的语法树映射到它的常识意义，这个通用知识可用于构建基于推理的 NLU 系统，且能提供解释。作者将此方法应用于构建了 SQuARE 和 StaCACK 两个 NLU 应用程序，并展示了这两个系统的高准确性与能力。

    Jan, 2021

  • AutoNLU: 一个为企业定制的按需云端自然语言理解系统

    本文介绍 AutoNLU - 一种基于云的按需系统，通过易于使用的界面解决了开源神经网络模型与实际工业问题之间的巨大鸿沟，并展示了两个应用案例：一种处理 Photoshop 图像编辑请求的实用自然语言理解模型，以及实现两个公共基准测试最先进结果的强大的关键词提取模型。

    Nov, 2020

  • 自然语言理解和生成的双重监督学习

    该论文提出了一种基于双重监督学习的语言理解和生成学习框架，能够有效提高这两个任务的性能。

    May, 2019

  • 实境游戏学习的自然语言理解：初步评估

    研究了一个新的多任务 NLU 结构在小型领域游戏数据集上进行意图识别的表现，发现相比基线方法，Dual Intent and Entity Transformer (DIET) 架构在野外数据上具有较强的鲁棒性。

    May, 2022

  • 可解释准确的自然语言理解：为语音助手及其它应用而设计

    将完全的联合 NLU 模型在粒度级别上‘本质地’可解释化，以提高准确性，并在情感分析和命名实体识别等其他广义分类任务中成功应用。

    Sep, 2023

  • 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