ACLDec, 2020

对话图建模：用于会话式机器阅读的方法

PDF
TL;DR本文提出了一种对话图建模框架，通过 Discourse Graph、Decoupling Graph 和 Global Graph 三种图来提高机器对复杂问题的理解和推理能力，实现基于给定的规则文档、用户场景和对话历史的交互问答。
conversational machine readingdialogue graphrule documentdiscourse graphglobal graph
发现论文，激发创造
  • 明确对齐与多对多蕴含的对话式机器阅读推理

    通过提出一种管道框架，将对话式机器阅读（CMR）中的文档与用户提供的信息进行明确对齐，使用轻量级多对多蕴含推理模块做出决策，并直接基于文档和之前的问题生成后续问题。我们的方法在微准确性上达到了最新水平，并在 CMR 基准数据集 ShARC 的公共排行榜上排名第一。

    Oct, 2023

  • GraphFlow：利用图神经网络挖掘对话流程进行对话机器理解

    本研究提出了 GraphFlow 模型，通过图形结构学习技术及 Recurrent Graph Neural Network 有效捕捉了磋商历史，并引入流机制建模上下文图形的时间依赖关系，从而提高了对话流的捕获能力，对 CoQA、QuAC 和 DoQA 等基准测试表现具有竞争力，而且可为推理过程提供良好的可解释性。

    Jul, 2019

  • 面向端到端的开放对话式机器阅读

    本文介绍了一种基于完全端到端的方式将开放检索对话式机器阅读（OR-CMR）建模为一个统一的文本到文本任务，并在 OR-ShARC 数据集上展示了其在两个子任务上的显著有效性和创新的最先进结果。

    Oct, 2022

  • DADgraph: 面向多方对话机器阅读理解的话语感知对话图神经网络

    提出一种考虑复杂的多方对话话语结构的对话图神经网络模型 DADgraph，并在包含话语结构注释的大规模 MRC 数据集 Molweni 上进行实验验证，实验表明该模型相较于强基线模型在 Molweni 数据集上具有统计学显著的改进。

    Apr, 2021

  • 面向任务的对话系统的对话意图表示

    提出了一种任务导向的对话意义表示 —— 对话意义表示（DMR），它使用一组节点和边来表示复杂的组合语义，并具有继承层次结构机制，提高了域可扩展性；利用 DMR-FastFood 数据集进行实验，提出了两个评估任务来评估差异化对话模型以及基于图形的指代消解任务的 GNNCoref 模型，并显示出 DMR 可以很好地用预训练的 Seq2Seq 模型解析，并且 GNNCoref 可大幅优先于基线模型。

    Apr, 2022

  • 动态知识图谱交互式机器阅读理解

    本文研究在机器阅读理解任务中，通过动态构建和更新表示文本信息不同级别的四种不同类别的图表，并使用神经模型在增强学习代理中对表示进行编码，证明了图表表示可以显著提高交互式机器阅读理解代理的性能表现。

    Aug, 2021

  • GraphDialog: 将图表知识整合到端到端任务导向对话系统中

    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。

    Oct, 2020

  • ET5: 一种新颖的面向端到端的对话机器阅读理解框架

    提出了一种基于共享参数机制的端到端框架，称为 ET5，用于会话式机器阅读理解，可以在完整利用涉入推理信息的情况下实现跨步问答，并在 ShARC 数据集上达到了新的最优结果。

    Sep, 2022

  • 面向对话推荐的多粒度超图兴趣建模

    本文提出了一种基于超图模型的历史对话数据建模方法，旨在解决上下文信息匮乏和数据稀缺的问题，该方法基于会话级和实体级语义关系构建超图，并进行多粒度卷积，以提高兴趣感知型对话推荐系统在推荐和对话任务中的效果。

    May, 2023

  • 对话式机器阅读理解：文献综述

    本文综述了近期在对话机器理解方面最常见的趋势和方法，强调了处理对话历史的不同方法，并提供了一个综合框架，以指导未来对于 Conversational Machine Comprehension 的研究。

    Jun, 2020