AAAIDec, 2020

基于图推理网络和定制化预训练的多轮对话应答选择模型

PDF
TL;DR本文提出基于图推理网络（GRN）的多轮对话检索中的响应选择方法，并探究了其在序列推理和图推理方面的表现。在两个对话推理数据集上的实验表明，该模型可以显著优于强基准方法，并可以达到接近人类水平的性能。
response selectionmulti-turn conversationretrieval-based chatbotsgraph-reasoning networkalbert
发现论文，激发创造
  • 利用逻辑推理和相关性评分进行检索增强型神经生成回应

    使用概率逻辑编程推演引入逻辑事实，结合基于检索的语言模型和逻辑推理的知识生成响应的新方法，在任务导向的对话系统中提高了回应的准确性和流畅性。

    Oct, 2023

  • 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

  • QAGCN：基于图卷积网络的多关系问题回答系统

    本研究提出了 QAGCN—— 一种简单而有效的使用注意力图卷积网络的多步推理问题答案推导模型，避免了传统复杂推理机制的不稳定性和低至。经过广泛的实验，我们证明了 QAGCN 在几个具有挑战性的数据集上与当前最先进的基于深度强化学习的方法相比非常有竞争力，提高了效率并保持了高的解释性。

    Jun, 2022

  • IRRGN: 一种隐式关系推理图网络用于多轮响应选择

    本文提出了一种隐式关系推理图网络来提高多轮对话中回复选择的推理能力，该模型通过 Utterance Relational Reasoner（URR）和 Option Dual Comparator（ODC）分别实现隐式提取依存关系和对选项进行对比，实验结果表明我们的方法明显改善了预训练语言模型的基线，并在 MuTual 数据集上首次超越了人类表现。

    Dec, 2022

  • 基于图的社交关系推理

    本文提出了一种基于图形关系推理网络方法 (GR2N) 的社交关系识别方法，该方法相比现有方法能够更快，更准确地构建社交关系图，并显式地抓住不同类型社交关系之间的强逻辑约束，从而提高社交关系图的性能。

    Jul, 2020

  • 融入领域知识改进多轮对话系统中的回应选择

    本文提出了一种新颖的神经网络架构，用于多轮对话场景下的响应选择，它应用了上下文级别的注意力和领域特定单词描述提供的额外外部知识。该架构使用双向门控循环单元进行编码，并学习在给定潜在响应表示的上下文单词之间进行关注，同时还使用另一个 GRU 来编码领域关键词描述，从而提高了相应中领域特定关键词的表示，实验结果表明，相对于所有其他最先进的方法，我们的模型在多轮对话中具有更好的响应选择性能。

    Sep, 2018

  • 关系图卷积神经网络用于多跳推理的比较研究

    本文旨在探索多站点问答任务的 RGCN 模型、图形关系和节点嵌入，并在 WikiHop 数据集上经验性地探讨每个关系、节点类型和嵌入对多站点 QA 性能的影响。

    Oct, 2022

  • 多方响应生成与关系解缠

    该研究提出了一种通过对话上下文进行关系推理来指导神经响应生成的方法，并在多方对话中展示出优于基线模型的效果。

    Mar, 2024

  • Sequential Matching Network: 基于检索的聊天机器人中多轮对话响应选择的新架构

    使用顺序匹配网络（SMN）解决对话中响应选择的问题，该网络通过循环神经网络（RNN）建立了对辞话关系的建模并比现有工作取得更好的响应选择结果。

    Dec, 2016

  • Commonsense 知识图谱上的多跳推理语言生成

    本文提出了一种利用常识知识图谱，将结构信息和语义信息结合到推理中，提高语言模型在生成任务中处理常识知识的准确性。通过动态多跳推理模块，本文建立了 Generation with Multi-Hop Reasoning Flow (GRF) 模型，实验表明该模型在三个包含常识知识推理的生成任务中的表现优于现有基线模型。

    Sep, 2020